世界模型真的变天了！

今天，谷歌正式发布重磅世界模型原型产品“Project Genie”，只需一句话或一张图，就能一键生成可玩、可交互的实时虚拟世界。它的重磅程度，让谷歌“掌舵人”劈柴哥和 Google DeepMind 创始人哈萨比斯亲自为它站台。

在 Project Genie 生成的虚拟世界中，你可以用 WASD 键移动角色、旋转视角、跳跃，在生成世界自由探索。更重要的是，其生成画面的精细度、整体完成度，已经明显超出以往研究型 Demo 的范畴，在观感上直逼成熟游戏产品。

过去几年，世界模型一直被认为是通往 AGI 的重要路径，但始终存在一个根本问题：它们更像会动的视频，而不是真正的环境。

具体来说，早期世界模型普遍存在几大短板：

• 生成世界质量偏低，结构简单

• 难以实时交互，或只能交互一两步

• 长期一致性差，画面和规则会“漂移”

• 不符合物理和因果逻辑，更像梦境而非世界

而 Project Genie，第一次把这些问题同时拉到了可用水平。

Project Genie 是一个基于 Genie 3、Nano Banana Pro 和 Gemini构建的原型 Web 应用，其中的核心是谷歌最新的世界模型 Genie 3。

与以往“先生成完整视频”的方式不同，Genie 3 采用自回归生成机制：它会根据世界描述和用户操作，逐帧生成环境状态，而不是播放预先生成好的内容。

这带来了几个关键变化：

• 长期一致性生成的世界可以在数分钟内保持稳定，不会快速崩坏；系统还能“记住”用户造成的关键变化，记忆时间最长可达约一分钟。

• 真正的实时交互世界以 20–24 帧/秒运行，用户的操作会即时反馈到环境中，而非触发预设结果。

• 更高质量的视觉表现生成画面分辨率约为 720p，整体真实感和细节水平明显高于以往世界模型，为智能体理解复杂环境提供了更可信的视觉基础。

谷歌早在 2025 年就将 Genie 3 称为“通往 AGI 的关键一步”。而在 Project Genie 的官方页面中，谷歌再次强调：

Genie 3 让智能体能够预测世界如何演化，以及自身行为如何影响世界，这是实现推理、规划和现实行动的基础。

可以说，在 Project Genie 身上，已经释放出一个非常明确的信号：世界模型正在从长期的前沿研究方向，正式迈入可落地、可探索的关键阶段。

一旦世界模型能够稳定生成高质量、可交互、具备长期一致性的环境，其应用边界将被迅速打开。

无论是自动驾驶中的复杂场景模拟、具身智能的环境理解与决策训练，还是游戏开发、影视制作、互动教育与新型媒体内容创作，世界模型都展现出极具想象空间的潜力。

据 The Verge 报道，谷歌选择在这一时间点推出 Project Genie，部分原因在于希望观察用户的真实使用方式，从而发现此前尚未预料到的新应用场景。

Google DeepMind 产品经理 迭戈·里瓦斯透露，谷歌内部已经对 Genie 在电影制作、互动教育媒体等领域，帮助创作者进行场景可视化与世界构建的潜力感到兴奋。

目前，Project Genie 仍是实验性产品：

• 单个世界最长探索 60 秒

• 分辨率约 720p，帧率约 24fps

• 仅向美国地区、18 岁以上的 Google AI Ultra 订阅用户开放

Project Genie 发布后迅速引发热议。马斯克第一时间发文祝贺

关于 Project Genie 的讨论，也在 X 上迅速扩散，不少网友将其称为又一个“变革时刻”。

对此，Project Genie 负责人之一 Jack Parker-Holder 表示：

Genie 3 感觉像是世界模型领域的一个分水岭。我们现在可以生成任何可想象世界的、持续数分钟的实时交互式模拟。这可能正是具身通用人工智能此前缺失的关键一环。

网友们玩疯了，在游戏世界释放创意

具体来看，Project Genie 的使用流程并不复杂。进入页面后，用户可以直接从 Google 预设的多个世界模板中选择，也可以完全自定义环境和角色，构建一个专属的虚拟世界。

为实现更精准的控制，Project Genie 会用 Nano Banana Pro 的能力，先为生成世界打个“草稿”。

整个页面被清晰地分成左右两部分：

• 左侧用于填写环境的 prompt，例如地形结构、视觉风格和整体氛围；

• 右侧则用于描述主角的形象与设定，并可选择第一人称或第三人称视角，从而提前确定进入世界后的体验方式。

完成初步设定后，Genie 会先生成一个缩略图，可以对生成内容进行预览和微调。如果符合预期，就能进入生成世界，开始实时交互与自由探索。Genie 3 的响应延时非常低，在控制角色移动时，会带来强烈的沉浸感。

在官方案例中，你可以把自己变成一个球，在草原上自由滚动。

可以看到，如果转换视角，球滚动留下的痕迹并不会消失，新生成的内容也不会覆盖旧区域。这一细节直观地体现了 Project Genie 所强调的世界一致性。

在另一个官方案例中，你可以变成刷墙工人，想刷哪面墙就刷哪面，整个虚拟世界可以实时交互，且看起来十分合理。

谷歌表示，这是想象力空间的无限释放，无论是自然世界或现实场景，还是构建动画、小说中的奇幻世界，甚至是突破时间与空间限制的未来世界，都可以被创造出来。

不少网友迅速上手，开始“放飞自我”式创作，其中，各类游戏风格世界不断涌现。

比如在沙滩上骑摩托：

更绝的是直接制作山寨版“任天堂”游戏。比如马里奥系列，《塞尔达传说》，《银河战士》。

即便抛开体验层面的不足不谈，Project Genie 在生成世界的质量与完成度上，依然足以令人震撼。这也难免让人产生进一步的联想，游戏从业者会不会大规模失业？

这一担忧并非空穴来风。根据 Informa 本周发布的游戏开发者大会（GDC）报告，33% 的美国受访游戏开发者、以及 28% 的全球受访游戏开发者表示，他们在过去两年中至少经历过一次裁员。Project Genie 可能会进一步扩大这种趋势。

不过，围绕 Project Genie 的能力边界，也有人提出质疑。

The Verge 的记者亲自上手试验后认为，从“游戏”的角度来看，Project Genie 所生成的“可玩世界”显得相当单调。

除了基础移动操作外，玩家几乎无事可做。没有任务目标，也缺乏音效反馈。更糟糕的是，输入延迟时有发生，甚至会出现角色失控、只能旋转视角的情况，严重影响整体体验的流畅度。

该记者还提到，在仅有 60 秒 的探索时间内，世界的一致性并不稳定。系统有时会“忘记”此前生成的内容，例如滚动的小球留下的颜料痕迹会突然消失，已生成的道路也可能被重新覆盖为草地。这些现象让人难以确认模型是否能够持续、可靠地维护同一个世界状态。

在内容生成层面，Project Genie 对知名游戏 IP 也存在明显限制。测试中，索拉、唐老鸭、高飞、杰克·斯凯灵顿等角色均无法直接用于生成可交互世界，相关内容在进入实际体验阶段会被系统拦截。

目前，与生成世界交互的智能体只能执行较为有限的操作，同一世界中多个模型之间也难以协同互动。此外，Genie 在渲染清晰文本、还原现实世界具体地点方面仍存在困难，智能体对控制指令的响应有时也会出现异常延迟。

对此，谷歌方面回应称，Genie 并非游戏引擎，团队更关注它在增强创意过程、提升构思能力以及加快原型制作方面所展现出的潜力。

在 Geinie 3 官网上也特别强调，目前产品仍处于早期研究阶段，因此会有：生成的世界可能看起来并不完全逼真，也不一定总是严格遵循提示、图像或现实世界的物理规律；角色有时可能难以控制，或者控制延迟较高；生成时间受限等问题。

Project Genie 团队深度揭秘关键问题

在 Project Genie 上线不久，其背后的核心团队第一时间接受采访，包括 Google DeepMind 研究总监 Shlomi Fruchter、Google DeepMind 的研究科学家 Jack Parker-Holder、产品 Diego Rivas，他们都对世界模型长期关注，在这次访谈中深度揭秘 Project Genie 的关键问题。

这次对话讨论了：什么是世界模型？为什么只能生成 60 秒？Project Genie 的研发历程是什么？它未来真正可能改变的是哪些领域？

他们首先承认 Project Genie 的强大确实源于谷歌视频生成技术的积累，但同时他们也强调，Genie 并不是更强的“视频模型”，而是人类第一次可以实时走进、操控、改变的生成世界。

其中的核心差异是，世界模型是逐帧实时生成，能与过去保持物理与视觉一致性，并且用户可随时干预。这对延迟、内存、算力的要求，比普通视频生成高得多，也是更前沿、更有挑战的方向。

针对不少人抱怨“60 秒不够”的问题，他们表示这是在服务成本、系统稳定性和体验质量之间做出的权衡。他们其实已经做出过更长时间的生成世界，但在实际测试中发现，随着生成时间拉长，世界的动态感反而会逐渐减弱。

研究员表示“与其花两分钟体验一个世界，不如花一分钟体验两个不同的世界，体验感会更好。”

针对模型的生成速度，他们表示已经够快了，短期内进一步“加速”并没有太大意义。接下来，他们更重要的研发方向，是降低算力成本，让这种能力能够被更多人真正用得起。

在产品定位上，他们并不把 Genie 看作一款游戏，而更像是一个正在快速演化的实验场：

• 一方面，多人互动、长期一致性、复杂动态仍然是明确的技术瓶颈；

• 另一方面，娱乐、教育、具身智能、机器人训练等方向，已经展现出非常清晰的应用前景

回顾产品研发历程，从论文阶段的 Genie 1，到今天普通用户可以亲自上手体验的 Genie 3，这背后其实是谷歌一整套高度协同的跨部门合作。

谷歌实验室与谷歌创意实验室是研发的核心力量，而服务团队、基础设施团队和沟通团队则共同兜底，确保这项起源于强化学习的前沿研究，能够被真实用户理解、体验并持续使用。

当团队回看去年八月时，他们很清楚，当时外界已经迫不及待想“走进这个世界”，但 Genie 仍然只是一个规模庞大的研究项目。即便如此，研发人员脑海中已经浮现出一系列潜在应用场景，其中最清晰的方向之一，正是具身智能。一个标志性的例子，是他们与 Simmer 项目的长期合作。

Simmer 是由双子座模型驱动的目标导向智能体，能够在 3D 世界中执行复杂任务。过去，它只能在少数几个固定游戏环境中训练；而现在，借助 Genie 3，只需一句文本指令，就能生成一个全新的、甚至是照片级写实的虚拟世界，把智能体直接“放进去”完成任务。

从 Nano Banana Pro 的图像创作，到谷歌视频生成的成熟，再到可交互的世界模型 Project Genie ，生成式技术正在构成一个连续体，世界模型将成为第三次技术跃迁。

以下是播客的更多细节，欢迎来看：

为什么只能 60 秒？

主持人：我很好奇，这背后的物理逼真度，是不是和我们在 VO（谷歌的视频生成模型）项目上取得的研究突破有关？感觉两者之间有相似之处。

研究员：二者绝对是相关的，而且世界模型的研发难度其实更高。普通的视频模型，能在整个视频的时间线上自由调整过去和未来的帧，自由度很高 —— 就像有一块画布，模型能随时间生成视频，在画面的各个位置做微调，让整体效果连贯美观。

但世界模型的难点在于，世界是持续演变的，每一帧的输入都是未知的，模型必须保证生成的画面既和过去的内容连贯，又能匹配用户当下的操作，所以技术难度会大很多。

其实开发 Genie 1 时，我们用的是 Imagine 模型，当时我们的模型效果并不好，而且想要生成合适的图像也非常困难。Nano Banana Pro 是在Genie 3 之后推出的，技术进步的速度真的令人惊叹。也许未来某一天，我们定义虚拟世界的方式，将不再局限于图像和文本，但就目前而言，这种方式已经给了用户足够的创作灵活性。

主持人：这个模型的复杂度上限在哪里？比如能不能在同一个世界里加入大量并行的互动元素？模型会在什么情况下出现效果衰减？

其实 Nano Banana Pro 就是个很好的例子，如果一张图片里有 10 个人脸，想要对这张图进行编辑，模型就容易出问题。所以我想知道，Genie 3 的自然性能边界在哪里？

研究员：这个模型肯定不是完美的，目前它还只是一个研究预览版本。我们希望让大家亲自体验，看看它的优势在哪里，不足又在哪里，我们也能从用户反馈中学习和优化。

目前模型在各类创意环境的视觉呈现上做得不错，画面可以非常精致，但在世界的动态表现上还有短板 —— 有时候初期的动态效果很好，但时间久了，动态感会逐渐减弱，这也是我们正在优化的点。不过它的表现已经足够令人惊喜了，所以还是建议大家亲自上手试试，看看哪些玩法能达到理想效果。

研究员：不过说到延迟问题，还有很多技术点需要考虑。Genie 3 的研发有一个核心约束：我们希望实现特定操作频率下的实时低延迟，也就是说，用户操作的往返延迟要极低。同时，内存也是一个巨大的约束 —— 模型的上下文长度越长，通常算力成本就越高，运行速度也会越慢。

所以研发的核心挑战，就是平衡这些相互冲突的目标。而在研究层面，我们正在所有这些领域持续优化，我们相信，模型的性能会不断提升，变得更强大、更快、更经济，这也是行业的整体发展趋势。

主持人：我还有个问题，模型的生成时长是人为限制在 60 秒，还是真的能实现 3 到 5 分钟的连续生成？

研究员：其实我们已经做出过能连续生成更久的演示版本了，但我们觉得 60 秒是一个比较合适的时长 —— 既能让用户充分体验虚拟世界，又能保证为足够多的用户提供服务，这其实是在服务成本上做的权衡。

而且就像我们之前提到的，生成时间越长，世界的动态感会逐渐减弱。所以我们觉得，与其花两分钟体验一个世界，不如花一分钟体验两个不同的世界，体验感会更好。当然，如果用户反馈希望延长时长，我们也会做出调整。

这也和虚拟世界的类型有关，比如如果你在体验高山速降滑雪，两分钟的时长会很过瘾，因为整个过程是持续的动态体验；但如果只是探索图书馆，两分钟可能就没那么有趣了。

主持人：是啊，人们总是能很快适应新的技术体验。但对我来说，这个模型的表现依然令人难以置信。你之前被问到能不能让模型运行得更快，现在的速度已经到极限了吗？

研究员：在当前实时交互需求下，生成速度已经足够快，短期内进一步加速的意义不大。因为模型是实时生成虚拟世界的，速度再快其实也没有意义了 —— 它的生成速度已经和用户的体验速度完全匹配。接下来我们的研发重点，会放在降低算力成本上，这样才能让更多人用上这款产品。同时，在保持速度的前提下，不断增加新功能，这本身也是一个巨大的挑战，我们希望在各个方面都把模型做得更好。

背后的故事：谷歌跨团队协作

主持人：聊完当下的体验，我特别想知道模型的未来迭代方向。不过在聊未来之前，我们先回顾一下研发历程吧。我们八月份发布了 Genie 3 的首支演示视频，之后启动了可信测试，不断迭代产品、搭建基础设施。能不能跟大家快速讲讲，从一支惊艳的演示视频、小规模的早期测试，到正式推出面向用户的精灵计划，这中间都经历了什么？

研究员：首先，八月份发布模型和演示视频后，我们让一小部分人体验了产品，核心是为了收集反馈 —— 因为这是一款全新的应用，一种全新的体验，我们需要思考如何负责任地将它推向市场。

从那以后，我们的大部分工作都集中在基础设施、服务架构和成本控制上，毕竟我们希望能让尽可能多的用户体验到它。而美国的谷歌 Ultra 订阅体系，能让我们触达足够多的用户，收集到第一手的反馈：比如用户觉得哪些功能有用，会如何和产品互动，哪些玩法体验最好。这段时间里，我们也在持续完善可信测试项目。

这其实是模型开发周期中最核心的阶段，因为我们能从不同类型的用户身上学到很多东西，无论是创意工作者，还是教育领域的从业者，都能给我们带来丰富的洞察，让我们知道模型目前的实际应用价值、未来的发展方向，以及哪些体验是用户最期待的。

回头看八月份，当时我们知道大家肯定想体验这款产品，但它那时还只是一个大规模的研究项目。我们脑海里有很多应用场景，比如智能体、机器人这类具身智能领域，都能用到这项技术。去年年底还有一个和我们类似的项目发布，他们也用Genie 3 来训练游戏智能体。

从消费端的角度来看，我们觉得这个产品会很有吸引力，所以想收集用户反馈，但当时也不确定是否已经到了面向更多用户发布的时机。而迭戈主导的可信测试项目，让我们发现，用户第一次上手这款产品时，都会有惊艳的体验。我们希望深入了解更多的应用场景，所以这次的发布，也是我们在这方面迈出的一大步。

一年前，我根本没想到这个模型能有这么强的吸引力，但现在它已经成为一款非常有趣的产品，我们也很期待大家会用它来做什么。

主持人：聊完产品和技术，我们再来聊聊谷歌的跨团队合作吧。显然，从你们的分享和幕后工作来看，打造这款产品的难度非常大。谷歌内部有哪些团队参与了 Genie 3 和 Genie 的研发？

研究员：幕后参与的团队非常多，谷歌实验室、谷歌创意实验室是核心 —— 画廊里的那些虚拟世界，大多是创意实验室的作品；还有服务团队、基础设施团队，基本上有一个完整的幕后团队在推动这项工作。从八月份发布模型到现在，我们一直在全力冲刺，所有团队的付出都堪称英勇。

我们还和沟通团队深度合作，因为想要向大家解释一款全新的模型，一种大家从未体验过的技术，是一个非常细致的话题 —— 它起源于强化学习这个相对小众的领域，现在却被媒体、社交媒体上的各类人群广泛讨论，所以用正确的方式传递这项技术，非常重要。

回顾这个领域的研究起点，我们甚至不确定这项技术能否成功落地。而现在，我们让它实现了实时交互，达到了不错的画质，完成了从研究构想到发布模型，再到推出面向用户的体验产品的闭环，这一点让我非常兴奋。这并非理所当然，也充分体现了谷歌内部跨技术栈的团队协作能力，这种能力非常独特。

主持人：我们在镜头外还聊过，不仅是 Genie 3，谷歌所有模型的能力都在不断拓展，而这和模型的训练方式息息相关。杰克，你之前还尖锐地提到，这些模型其实并没有针对任何特定的应用场景进行训练，却能在各个领域实现很好的泛化能力，能不能再聊聊这一点？

研究员：没错，我们一开始其实并不知道这个模型的具体应用场景。去年年底，Genie 团队还在做纯粹的研究项目，Genie 1 最初只是一篇研究论文，和 VO（谷歌的视频生成模型）完全不同。

与此同时，我们还在做 Doom 游戏引擎的相关研究，这项研究充分展现了实时交互的潜力，但它仅适用于 Doom 这一个特定的游戏世界，迭戈可以再聊聊这一点。

另外，2024 年 12 月 VO（谷歌的视频生成模型）2 的发布，在 AI 领域已经是很久以前的事了，但当时我看到它的效果时就觉得，视频生成技术已经成熟了，视觉质量达到了行业前沿，值得我们深入探索。

于是我们达成共识，认为这项技术的潜力无限，随后组建了跨团队的研发小组，汇集了各个领域的专家 —— 他们都在不同的技术领域有积累，我们相信把这些技术结合起来，会产生不可思议的效果。而我们的研发，并非针对某个特定的下游应用场景，而是因为它蕴含着无数的应用可能。

最酷的是，我们脑海里有一些预想的应用场景，比如和 Simmer 项目的合作，我们和这个项目的合作已经有很长时间了，他们也参与了 Genie 2 的研发，体验过 Genie 2，现在已经基于 Genie 3 发布了相关产品。

Simmer 是我们最强大的目标导向智能体之一，能在 3D 世界中互动，是由双子座模型驱动的 —— 你可以在 3D 世界中向它输入文本指令，它就能完成各种不同的目标，泛化能力非常强，还能通过自我提升学习。这也是我们迈向通用人工智能、具身智能的重要方向。

去年年底我们发布了这款智能体，他们就用 Genie 3 的虚拟世界来探索智能体的能力。要知道，Simmer 原本只在几款游戏中接受过训练，但现在借助 Genie 3，你只需输入文本，就能创建一个全新的、甚至是照片级写实的虚拟世界，然后把智能体放进去，看它完成各种任务。这两个项目的结合，可以说是水到渠成。

未来的应用领域：娱乐、教育、具身智能

研究员：从应用层面来说，我个人对娱乐和教育领域的应用最期待。我们希望让更多人体验这款产品，看看凭借现有的技术，现在能打造出哪些应用。教育领域是我们重点关注的方向，比如让人们在虚拟世界里互动学习 —— 想象一下，能为用户打造一些他们在现实中无法体验的场景，比如一个孩子害怕蜘蛛，我们可以打造一个满是蜘蛛的房间，让孩子在虚拟世界里慢慢适应，克服恐惧。我的孩子就怕蜘蛛，所以我觉得这种个性化的全新体验，价值非常大，这也是我们近期的研发重点。

另一方面，我们之前也聊过，机器人技术和具身智能领域的世界模型，潜力也非常大。当然这个领域还有很多研究工作要做，但我个人对它充满期待。简单来说，核心思路就是：如果一个模型能模拟现实环境，那我们就可以用它在虚拟世界里训练机器人，或是让具身智能体在虚拟世界里学习，甚至实时辅助智能体做出决策。

Genie 计划虽然现在已经很惊艳了，但它只是一个起点。未来我们会和谷歌实验室继续深度合作，不断优化产品的功能、操控方式、应用架构等；也会拓展更多的使用场景，不局限于Genie 计划这一个应用，还会推出开发者 API，让更多开发者参与进来。

不得不说，开发者总能发掘出产品的商业价值，找到极具经济影响力的应用场景，这也是我觉得很有意思的一点 —— 除了娱乐，世界模型还能在哪些领域找到产品市场契合点。

而且很多功能在不同的应用场景中是相通的，比如更广泛的交互性。可以肯定的是，机器人技术的发展，不可能只靠方向键来实现，未来的机器人助手需要更多的操控方式，而这和虚拟世界的交互研发是相通的。

八月份发布 Genie 3，让我们成为首批推出这类模型的团队，也让我们能和谷歌内部的各个团队展开合作。我们会认真吸纳所有的用户反馈，把大家提出的建议都列出来，成为下一代模型的研发方向。我之前跟杰克说过，我们只实现了目标的 50%—— 因为我们总是会设定极具野心的目标，这个领域还有太多可以探索的地方，模型还有很多不足，需要我们不断优化。

这个领域的发展空间巨大，我们才刚刚起步。就像写论文一样，一个项目完成后，你马上就会想，下一个项目可以加入哪些功能，做得更好。

现在社区里也出现了很多有趣的世界模型，有些和 Genie 3 很相似，但我们的目光已经放得更远了。

怎么玩这个产品？

主持人：除了研发历程和未来规划，还有没有什么想跟大家分享的？比如对于即将体验这款模型的用户，你们有什么建议？毕竟你们比普通人花了更多时间研究和使用模型。

研究员：我建议大家尝试个性化创作，打造属于自己的、其他系统无法实现的世界。当然，用它打造游戏环境也很有趣，但这类场景其他系统也能做到；而把现实中的专属事物 —— 比如一个玩具、一张照片，或是让自己以特定风格出现在真实的环境中，这种体验是独一无二的。

这让我想起了 VO（谷歌的视频生成模型）早期的一个研究项目：有人用 VO（谷歌的视频生成模型）为阿尔茨海默病患者重现童年记忆，让他们在虚拟世界里重温过去，这个项目特别棒。所以我觉得，把个人专属的事物融入虚拟世界，让它们 “活” 过来，这种互动方式非常有价值，大家可以试试这个方向。

另外，大家肯定会发现，模型的提示词创作目前还不够完善，但这恰恰是机会。几年后当这个模型变得非常成熟时，大家会想起现在这个阶段，就像我们现在看待 VO（谷歌的视频生成模型）3 一样 —— 现在 VO（谷歌的视频生成模型）3 的每个提示词都能生成优质视频，精灵 3 号的每个提示词基本也能实现预期效果，但在早期，提示词的创作至关重要，甚至有人会花 10 到 20 分钟精心打磨一个提示词。

所以如果第一次创作的效果不好，别放弃，这款全新的模型，可能会以你意想不到的方式呈现出惊喜的效果。而且亲自上手体验，你就不是在消费一款产品，而是在探索前沿技术。

主持人：太认同了，“探索前沿技术” 这句话简直可以当作产品标语了。我还有一个觉得很有趣的点：当被动的媒体消费变成交互式的体验，会发生什么？这是一片全新的未知领域。过去也有人做过尝试，但现在有了这种真正定制化的交互式媒体叙事，它会给整个媒体和娱乐行业带来什么影响，真的太值得期待了。

研究员：还有一个玩法也很有趣，你可以在虚拟世界里设置挑战，把这个世界分享给别人，让对方完成任务，比如从 A 点走到 B 点。这是一种基础的、有目标的游戏体验，现在的模型已经能实现了。比如那个球的场景，你可以让别人用球写出自己的名字，这类简单的挑战都能设置。

就像杰克说的，现在的体验虽然还比较基础，但它蕴含着巨大的创意潜力。比如还有一个带环的场景，你可以操控角色穿越环道，体验飞行的感觉，这也是用户发掘的玩法。

人们还经常问，行业的前沿在哪里，我们下一步要做什么。我经常会做一件事：长时间沉浸在 Genie 3 的第一人称写实世界里，然后看向窗外，对比虚拟和现实的差距。我认为最终，虚拟世界会和现实世界变得几乎无法区分，虽然今天我们不深入聊这个话题，但从模型的性能发展来看，这显然还有很长的路要走。但如果能生成和现实高度逼真的世界，在里面自由移动、互动、完成各种事情，那该多不可思议。

而这也是驱动我们开展这项研究的核心愿景：想象你拥有一个宇宙的副本，你可以在其中随心所欲。显然，这个副本有巨大的应用价值，能用到很多领域。这虽然是一个非常远大、甚至可能无法实现的目标，但它就像北极星一样，一直指引着我们。

比如我们这次把恐龙鲍勃放进虚拟世界，其实就是在重构现实空间，给现实事物做有趣的增强。未来这方面的探索，一定会非常有意思。

主持人：那到 Genie 5 的时候，我们可能真的会分不清自己是在现实还是在模拟世界里了。

世界模型是第三次技术跃迁

主持人：我还有一个有点尖锐的问题想问问大家：你们觉得，大多数人体验到世界模型的时间线会是怎样的？世界模型会先通过企业端影响普通人的生活吗？比如企业利用世界模型提高生产效率，打造更好的日常产品；还是说，未来普通人的日常生活中，会直接和世界模型产生互动？如果是后者，这个时间线大概会是多久？

研究员：这其实取决于你如何定义世界模型。如果是指交互式的视听体验类世界模型，我认为今年、明年，就会有越来越多的人接触到它，我们也会看到它在一些领域大放异彩，最终成为很多应用的基础功能。

但就像现在的视频生成技术，虽然发展很快，但真正融入普通人日常生活的比例其实并不高，世界模型也需要时间来完成用户普及，找到合适的应用场景—— 毕竟视频和图像不同，世界模型又和视频生成不同。

而如果是具身智能领域的世界模型应用，很难给出具体的时间线，但这个领域已经在取得不错的进展了。

另外，用户的人群特征也很重要：有些经常接触交互式媒体的人，会成为世界模型的早期使用者，他们知道该如何体验；但如果把它交给一个对前沿技术不感兴趣的家人，他们可能会觉得无从下手，体验不到产品的魅力。

但具身智能相关的应用，可能在未来 1-2 年就会走进现实，普通人会在生活中直接接触到，所以最终的普及时间，还是取决于用户所处的技术接受曲线位置。

还有一点，Genie 计划也印证了一个趋势：生成式技术正在形成一个连续体，从 Nano Banana Pro 的图像创作，到 VO（谷歌的视频生成模型）的视频生成，再到现在Genie 3 的交互式实时媒体创作，成为第三个核心支柱。我们希望未来有更多人能体验到这个连续体上的各类创作体验。

主持人：我特别期待看到行业的发展趋势，毕竟 VO（谷歌的视频生成模型）和 Nano Banana Pro 的发展过程中，都出现过一些爆红的玩法，都是我从未预料到的，太疯狂了。

研究员：世界模型的发展，和图像、视频生成还有些不同。图像和视频生成的作品，能被数百万人观看，一个人的创作可以被广泛传播，家人、朋友都能看到；而世界模型的独特之处在于，你可以在探索的过程中，不断改变周围的世界，这开辟了很多我们未曾考虑过的新途径、新玩法。

图像和视频生成，本质上是用新技术替代或自动化了过去的一些创作方式，当然也带来了新的能力和限制；但世界模型，实现了很多过去根本不可能做到的事情，这是它最大的不同，当然二者也有很多相似之处。

还有一个我们非常兴奋的想法，大家在演示中也能看到端倪：用户可以在现有虚拟世界的基础上继续创作，这样就会形成很多有趣的世界分支，还能追溯创作源头。这方面的潜力非常大，值得我们深入探索。

Genie 计划上线时，用户可以下载自己的虚拟世界演示视频；未来我们还会探索更多的世界分享方式，让大家能以更有趣的方式在别人的世界基础上创作。

主持人：太酷了，我还想要一个 “世界档案” 功能，这样大家就能看到我所有的创意想法了。

从世界模型的发展来看，技术进步的节奏是怎样的？显然我们已经看到了巨大的进步，图像生成、VO（谷歌的视频生成模型）视频生成、核心双子座模型，都取得了长足的发展。世界模型是不是也在遵循同样的发展轨迹，到处都是触手可及的技术突破，同时受益于算力规模和推理能力的提升？

研究员：可以这么说。图像生成技术显然比视频生成更成熟，视频生成和世界模型之间的差距，我无法准确衡量，但可以肯定的是，世界模型是超越视频生成的前沿技术。

最新一代的视频生成模型，画质已经比Genie 3 高很多了，我们也不指望Genie 3 现在能生成极致精美的视频，因为实时交互的约束，是普通视频生成模型所没有的。所以世界模型的发展，可能会比视频生成稍慢一些，但它能带来全新的体验。

说实话，我们现在仍处于技术快速进步的阶段。硬件始终是一个巨大的约束，这对所有模型来说都是如此。行业的整体趋势是，在成本基本不变的情况下，让模型的运行效率越来越高。但最终，我们还是需要更易获取的硬件支持—— 比如希望未来人们能直接在自己的设备上运行这类模型，实现无延迟的即时体验。

目前高性能的 TPU、GPU 还并非人人可得，硬件的发展速度因为一些实际原因，会比模型研发慢一些，但这也是我们的未来方向 —— 希望到 Genie 5 时，大家能在手机上运行完整的通用模拟系统。

这一点我们也讨论过，谷歌拥有垂直技术栈的优势，这也是我们在谷歌、在深度思维工作的魅力所在：我们既能站在模型研发的前沿，又能利用谷歌最好的硬件来支持模型的运行。而且专门为世界模拟打造的硬件，本身也极具发展潜力，它就像通往另一个维度的入口，点击就能进入，充满了新鲜感。

传送门：

https://labs.google/projectgenie

链接：

https://blog.google/innovation-and-ai/models-and-research/google-deepmind/project-genie/

https://deepmind.google/models/genie/

https://www.youtube.com/watch?v=Ow0W3WlJxRY&t=4s

https://www.theverge.com/news/869726/google-ai-project-genie-3-world-model-hands-on?view_token=eyJhbGciOiJIUzI1NiJ9.eyJpZCI6ImZCakl0bmxFNGwiLCJwIjoiL25ld3MvODY5NzI2L2dvb2dsZS1haS1wcm9qZWN0LWdlbmllLTMtd29ybGQtbW9kZWwtaGFuZHMtb24iLCJleHAiOjE3NzAxNDAwNTYsImlhdCI6MTc2OTcwODA1OH0.q5OBTD_V36-65oc1EGqPxKYCZF00c7ODvifvagVcwbA&utm_medium=gift-link

作者｜陈姚戈

世界模型领域迎来了一个重要开源模型。

今天，蚂蚁集团旗下的具身智能公司“蚂蚁灵波”，正式发布并开源其通用世界模型 LingBot-World。与许多闭源方案不同，蚂蚁灵波选择全面开源代码和模型权重，而且不绑定任何特定硬件或平台。

去年 DeepMind 发布的 Genie 3，让人们看到了世界模型能够根据文本或图像提示，实时生成一个可探索的动态虚拟世界。LingBot-World 沿袭了这条路线，并在交互能力、高动态稳定性、长时序连贯性以及物理一致性等维度取得了突破。

更令人惊喜的是，LingBot-World 呈现出从“生成”到“模拟”的跨越。随着模型规模的扩大，灵波团队观察到，LingBot-World 开始表现出远超普通视频生成的复杂行为，涌现出对空间关系、时间连续性和物理规律的理解。

可以看到，鸭子腿部蹬水的动作、水面对扰动的响应、以及鸭子身体与水之间的相互作用都比较符合物理规律。

这显示出模型不仅记住了视觉表象，还在某种程度上理解了流体力学等基础物理机制。同时，水面对扰动的反应，显示出模型对因果关系的理解。

用户切换视角后再回来时，环境中的智能体（比如这只猫）仍能保持持久记忆。智能体即使没有被观察到，也能持续行动。这确保了当视角回归时，世界状态会自然推进。

当环境中智能体（这只猫）碰到沙发后，没有穿透沙发，反而向空地走去。可以看到，LingBot-World 遵循了空间的逻辑，让智能体运动具有物理的合理性。

这是一个长达 9 分 20 秒的视频，没有经过任何剪辑和拼贴。视频为用户第一视角，从一座破旧的古希腊神庙出发，沿城市小径前行，经过一座新古典主义建筑，再向左进入一片复原的古希腊建筑群。

在近十分钟内，画面保持了较为稳定的物理状态和视觉质量，这在目前的视频生成模型和世界模型中都比较罕见。

不过，在视频最后几分钟，建筑之间的位置关系似乎被模型遗忘了。在 7:00，新古典主义建筑和复原式古希腊建筑群是连接在一起的；但 7:31，从复原式古希腊建筑群望向新古典主义建筑时，新古典主义建筑消失了。8:30 回到新古典主义建筑时，它成为了一栋孤立的房子。

尽管存在这些细节瑕疵，LingBot-World 的进步依然显著——单次生成接近 10 分钟的连贯视频，很可能刷新了当前视频/世界模型的长度纪录。作为对比，Veo 3 和 Sora 2 的单次生成上限分别为 8 秒和 25 秒，Runway Gen-3 Alpha 为 40 秒，Kling 最长支持 2 分钟。

与其他交互世界模型相比，LingBot-World 在开源、提供 720p 分辨率的情况下，还保证了高动态程度和长生成跨度。

在 VBench 测试中，LingBot-World 全面领先于 Yume-1.5 和 HY World-1.5 等先进开源模型，证明了自己不仅是一个视频生成器，更是一个强大的交互式模拟器。通过接收用户输入的动作指令，它能够生成高度动态且物理一致的视觉反馈，保持在高动态度下的整体一致性，使视频内容在长时间段内始终与最初的提示保持一致。

在看到大语言模型的局限后，世界模型成为火热赛道。Google、李飞飞、Yann LeCun 以及众多科学家纷纷指出，LLM 无法很好地理解物理世界、因果关系，而“世界模型”是 AI 走向真实物理世界深度理解的一个解。

至于“世界模型”究竟该长什么样，行业至今尚无统一标准。

李飞飞的 Marble 正专注理解空间关系；英伟达把世界模型细分为预测模型、风格迁移模型、推理模型；DeepMind 团队的 Genie 3，则试图在同一个模型中，实现端到端的实时渲染。

路线的分歧，也反应了行业需求的多样性，以及寻找解决方案的困难——无论是智能驾驶、具身智能，还是游戏，都在寻找各自需要的智能方案，以及合适的开发范式和入口。

蚂蚁灵波的世界模型方案更接近 Genie 3，旨在成为一个通用模型，为 Agent、具身智能、游戏、仿真等领域提供理解世界物理规律的基础设施平台。

通过开源其训练方法、模型权重等内容，蚂蚁灵波不仅展示了其在具身智能领域的战略布局，也为行业提供了探索世界模型更多可能性的契机，帮助降低验证世界模型的门槛。

这一周，蚂蚁灵波对外集中发布和开源模型研究成果，相继发布并开源空间感知模型 LingBot-Depth、具身大模型 LingBot-VLA。

如今，随着 LingBot-World 的发布，蚂蚁灵波正从幕后走向台前。蚂蚁灵波的目标是打造一个开放、通用的智能基座，与越来越多行业和厂商共建生态。这一次，它用开源的方式，向世界抛出了自己的世界模型范式。

构建世界模型的梦想和努力

在深入探讨蚂蚁团队通用世界模型的细节之前，我们需要花点时间，回顾一下 1990 年世界模型的开始。这将帮助我们更清楚地理解过去 30 多年中“世界模型”研究的变与不变、当前世界模型技术路线之争的焦点，从而更好地理解蚂蚁是在怎样的方向和基础上努力。

世界模型 40 年，变与不变

1990 年，强化学习领域奠基人、2024 图灵奖获得者 Richard S. Sutton 在人类认知学习过程的启发下，在论文《Dyna, an Integrated Architecture for Learning, Planning, and Reacting》中提出了一个开创性架构：智能体不应只靠真实世界试错学习，而应构建一个内部世界模型，在“脑海”中模拟动作后果，低成本地进行规划与策略优化。

图片来自 Dyna 论文。

图片呈现的是 Dyna 框架的核心逻辑，智能体的目标是最大化其在时间维度上累积获得的总奖励。

在 Dyna 框架中，世界模型也被称为动作模型，它被视为一个“黑盒子”，输入当前的情境和动作，输出对下一个情境和即时奖励的预测。模型的作用是模拟现实世界，Agent 通过与现实世界的持续互动产生经验，并利用这些经验通过监督学习方法来改进模型，使其更接近真实的物理规律。

在 2026 年回顾这篇 36 年前的论文，会发现这份古早的研究为理解当下复杂的技术路线之争提供了共同的根基——

对世界模型的探究，起源于对人类、机器，以及更广泛的智能体如何学习和行动的好奇。

而“世界模型”作为一种方法，提出的解决方案是在模拟出的世界中，让智能体学习、行动、获得反馈和迭代。

Dyna 这篇论文的核心理念，成为了今天世界模型的研究的底层思路。

不管是 NVIDIA Cosmos、World labs、Google Genie，还是 LingBot-World，都沿袭了 Dyna 的核心理念：世界模型是为智能体提供“模拟经验”的内部环境，使得智能体可以在一个虚拟的环境中进行规划和策略训练。

在不同方向的探索中，我们可以得到的共识是：世界模型从多样化的输入数据中学习对真实世界环境的内部表征，包括物理规律、空间动态和因果关系等。这些表征帮助模型预测未来状态，模拟动作序列，并支持复杂的规划与决策，而不需要反复进行真实世界的实验。

36 年过去，我们正站在大语言模型的阴影和语境中讨论世界模型。LLM 在理解真实物理世界、及模拟/预测未来后果等方面的局限，正加速科研和商业领域对世界模型的探索。

在 2025 年的一次访谈中，Dyna 的创作者 Richard S. Sutton 强调，LLM 已经走到了瓶颈。他指出，LLM 的核心缺陷在于，它们仅仅是在模仿人类行为，而无法理解世界、预测现实世界中的未来事件。他提倡放弃基于 LLM 的路径，转而开发基于强化学习、拥有世界转换模型（Transition model of the world）。这种世界模型不仅能学习奖励，还能从所有感官信息中获取环境的丰富理解，最终能够预测“如果做某事，后果将是什么”。

大语言模型在理解真实物理世界的不足，以及模拟/预测未来后果的不足，让一批科学家转向，在世界模型中寻找解法。

李飞飞认为 LLM 缺乏对物理世界的感知，提出“空间智能”（Spatial Intelligence）是 AI 的下一个北极星，AI 需要理解三维空间、几何、物理规则以及因果关系，才能从“理解文本”迈向“理解并作用于物理世界”。

Yann LeCun 则批评 LLM 依赖文本概率预测，感知学习世界的方式背道而驰。为此，他推广 JEPA（联合嵌入预测架构），并成立 AMI Labs，通过世界模型的路径实现 AGI，探索如何让 AI 系统具备理解物理世界、持久记忆、逻辑推理以及复杂任务规划能力。

DeepMind 联合创始人兼 CEO Demis Hassabis 在今年 1 月的对谈节目中强调，目前的 AI 系统还不能理解物理世界、因果关系、行为如何影响结果，而精确的世界模型是实现科学发现或理论创新的关键。他表示，Genie 这样的模型还只是“胚胎期世界模型”，Genie 体现出的，生成关于世界的内容的能力，某种程度上体现了模型理解了世界的知识。

Google AI 团队深度押注了世界模型的发展，并认为它会在 2026 年赢得重大发展。Hassabis 在谈及 2026 年的突破和期待时提到，“最令我兴奋的，莫过于进一步推动‘世界模型’的发展，提升其运行效率，从而使其能够真正被用于我们通用模型中的‘规划’环节。”这可能意味着，未来世界模型将融入 Gemini 这样的基础模型中。

世界模型的路线分歧

在探索 AGI 的道路时，蚂蚁集团也看到了世界模型的潜力。

作为蚂蚁集团旗下的具身智能企业，蚂蚁灵波的定位是“智能基座公司”，致力于打造一个能够理解世界、物理规律以及时空演化的 AI 系统。而世界模型正是实现这一目标的重要方式之一。

尽管各方都将世界模型视为未来的关键技术，然而不同公司选择的路径却各不相同。总体上，这些路径可以分为生成式和非生成式两类，两种路径的核心区别在于预测空间。

NVIDIA Cosmos、DeepMind Genie 和 World Labs 都是生成式路径的代表。

Cosmos 和 Genie 主要使用由像素构成的观测空间，利用大规模高维视觉数据训练，通过特定的时空架构设计，让模型产生对三维物理世界的理解。Genie 3 官网中特别提到“Genie 3 的一致性是一种涌现能力……Genie 3 生成的世界更为动态和丰富，因为它们是基于世界描述和用户动作逐帧创建的。”

World Labs 则另辟蹊径，将预测空间设定为在 3D 空间中带有位姿的帧，通过查询待生成帧的位姿来生成新图像。其发布的 RTFM 模型表明：“模型对世界的记忆（存储在各个帧中）具备了空间结构；它将带有位姿信息的帧视作一种‘空间存储’，这赋予了模型一种弱先验——即所建模的世界是三维欧几里得空间，而无需强迫模型显式预测该世界中的物体几何结构。”

非生成路径的代表是 Yann LeCun 的联合嵌入预测架构（Joint Embedding Predictive Architecture, JEPA）。JEPA 通过编码器将输入转化为潜空间（Latent Space），并在该空间内预测未来抽象表征（Embeddings），从而无需进行像素级的重建。

蚂蚁灵波的 LingBot-World 选择了类似 Genie 的路径，试图在此基础上解决从视频生成到世界模拟之间的技术障碍。

拆解 LingBot-World

在前文的案例和分析中，我们看到蚂蚁灵波的 LingBot-World 沿袭了 Gienie 的生成式路线，同时在交互能力、高动态稳定性、长时序连贯性以及物理一致性上表现惊艳。

在此基础上，蚂蚁灵波选择开源代码和模型权重，并在论文中完整披露了从数据采集到训练部署的全链路设计，鼓励社区测试、使用和复现。

即使是在近 10 分钟的超长视频中、或是快速运动下，画面中的物体依然保持了较为稳定的几何物理特性，没有出现视频生成模型常见的崩坏。这种稳定性，源于其独特的数据引擎和模型架构设计。

数据引擎

许多从视频生成模型切入世界模型研发的团队，很快会撞到数据瓶颈。

互联网上浩如烟海的短视频大多是“被动”记录，缺乏因果链条。对于世界模型而言，它需要理解的是动作和后果之间的关系。

比如：“按下 W 键向前走，门是否会打开？”“绕到建筑背面，窗户是否依然存在？”这类智能体动作与环境反馈之间的因果闭环，在普通视频中几乎不存在，在真实世界中规模化采集的成本也很高。

为了构建“动作-反馈”的闭环，LingBot-World 打造了从采集、处理到标注的流程。

LingBot-World 的数据包含通用视频、游戏数据和合成渲染数据，以确保训练语料的丰富性、高质量和交互性。为游戏数据，灵波团队还开发了专门的平台，捕获 RGB 帧并严格对齐用户的输入和相机参数。合成数据由 Unreal Engine 生成，带有精确相机数据和自定义轨迹。

LingBot-World 数据处理和标注流程

在数据处理层面，灵波团队首先对原始视频进行质量筛选与切分，生成结构清晰的视频片段；然后借助 VLM 视频的视觉质量、场景类型和视角等，结合几何标注提供必要的 3D 结构先验，产出元数据。

在此基础上，团队引入三种不同粒度的描述标注，涵盖视频全过程的宏观描述、去除了动作和相机数据的静态描写，以及带有时间标注的描述。

模型构建和训练

LingBot-World 将世界模型定义为一个条件生成过程，模拟由智能体动作驱动的视觉状态演化。

从模型构建和训练过程，我们可以看到，LingBot-World 是从“视频生成模型”起步，通过不同阶段训练，让模型从“生成”走向“模拟”。

从目标函数上看，这种模拟本质上是一种概率预测。

LingBot-World 的目标函数明确表达了这一思想：

$$\max_\theta \sum_{t=1}^{T-1} \log p_\theta(x_{t+1} | x_{1:t}, a_{1:t})$$

即在最大化给定历史帧 ($x_{1:t}$) 和动作序列 ($a_{1:t}$) 的条件下，预测下一帧状态 ($x_{t+1}$) 的似然概率。

简单来说，就是让模型学会根据过去看到的画面和执行过的动作，尽可能准确地预测下一帧画面。

为了避免直接从零训练导致的计算开销和模式崩塌，LingBot-World 采取了分阶段的训练策略。

预训练负责建立稳健的通用视频先验，确保高保真开放域生成；中训练注入世界知识和动作可控性，使模型能够模拟具有一致交互逻辑的长期坚持动态；后训练使架构适应实时交互，采用因果注意力和少步蒸馏以实现低延迟和严格因果性。

1 月 29 日，继连续发布空间感知与 VLA 基座模型后，蚂蚁灵波科技再次刷新行业预期，开源发布世界模型 LingBot-World。该模型在视频质量、动态程度、长时一致性、交互能力等关键指标上均媲美 Google Genie 3，旨在为具身智能、自动驾驶及游戏开发提供高保真、高动态、可实时操控的“数字演练场”。

（图说：LingBot-World 在适用场景、生成时长、动态程度、分辨率等方面均处于业界顶尖水平）

开源地址：https://github.com/Robbyant/lingbot-world?tab=readme-ov-file

针对视频生成中最常见的“长时漂移”问题（生成时间一长就可能出现物体变形、细节塌陷、主体消失或场景结构崩坏等现象），LingBot-World 通过多阶段训练以及并行化加速，实现了近 10 分钟的连续稳定无损生成，为长序列、多步骤的复杂任务训练提供支撑。

交互性能上，LingBot-World 可实现约 16 FPS 的生成吞吐，并将端到端交互延迟控制在 1 秒以内。用户可通过键盘或鼠标实时控制角色与相机视角，画面随指令即时反馈。此外，用户可通过文本触发环境变化与世界事件，例如调整天气、改变画面风格或生成特定事件，并在保持场景几何关系相对一致的前提下完成变化。

（图说：一致性压力测试，镜头最长移开 60 秒后返回，目标物体仍存在且结构一致）

（图说：高动态环境下，镜头长时间移开后返回，车辆形态外观仍保持一致）

（图说：镜头长时间移开后返回，房屋仍存在且结构一致）

模型具备 Zero-shot 泛化能力，仅需输入一张真实照片（如城市街景）或游戏截图，即可生成可交互的视频流，无需针对单一场景进行额外训练或数据采集，从而降低在不同场景中的部署与使用成本。

为解决世界模型训练中高质量交互数据匮乏的问题，LingBot-World 采用了混合采集策略：一方面通过清洗大规模的网络视频以覆盖多样化的场景，另一方面结合游戏采集与虚幻引擎（UE）合成管线，从渲染层直接提取无 UI 干扰的纯净画面，并同步记录操作指令与相机位姿，为模型学习“动作如何改变环境”提供精确对齐的训练信号。

具身智能的规模化落地面临一个核心挑战——复杂长程任务的真机训练数据极度稀缺。LingBot-World 凭借长时序一致性（也即记忆能力）、实时交互响应，以及对"动作-环境变化"因果关系的理解，能够在数字世界中"想象"物理世界，为智能体的场景理解和长程任务执行提供了一个低成本、高保真的试错空间。同时，LingBot-World 支持场景多样化生成（如光照、摆放位置变化等），也有助于提升具身智能算法在真实场景中的泛化能力。

随着“灵波”系列连续发布三款具身领域大模型，蚂蚁的 AGI 战略实现了从数字世界到物理感知的关键延伸。这标志着其“基础模型-通用应用-实体交互”的全栈路径已然清晰。蚂蚁正通过 InclusionAI 社区将模型全部开源，和行业共建，探索 AGI 的边界。一个旨在深度融合开源开放并服务于真实场景的 AGI 生态，正加速成型。

目前，LingBot-World 模型权重及推理代码已面向社区开放。

从训练到推理：智算需求正在经历一场结构性转向

过去一年，如果仅从“算力需求增长”来理解中国智算产业的变化，显然是不够的。

在 2026 年 1 月 21 日举办的金山云年度 Tech Talk 上，金山云对其过去一年智算业务的演进进行了系统性回顾。从公开财报数据到客户侧真实使用情况，这些信息拼凑出了一幅更清晰的图景：智算需求并非简单放量，而是在训练、推理、应用形态和工程方式等多个层面同时发生结构性变化。

这场变化的核心，不再只是“谁拥有更大规模算力”，而是围绕模型如何被使用、Token 如何被消耗、算力如何被组织展开。

变化首先体现在财务数据上。

根据金山云披露的公开财报，其智算云业务在过去一年实现了高速增长。以 2025 年第三季度为例，智算云账单收入达到 7.8 亿元人民币，同比增长接近 120%。这一数据并非孤立，而是延续了此前多个季度的增长趋势，显示智算已成为金山云收入结构中的重要组成部分。

金山云高级副总裁刘涛在分享中提到了金山云对这一趋势的判断：智算需求的增长重心，正在从训练侧逐步向推理侧转移。

从训练视角看，过去几年国内智算需求的主要推动力，来自少数对算力高度敏感的行业。

自动驾驶与具身智能，是其中最典型的代表。这些行业往往需要长期训练模型，并处理视频、点云、传感器等海量多模态数据。在早期阶段，它们对算力的需求更多集中在训练规模本身。

但与通用大模型不同，这类行业模型并不一味追求参数规模最大化。刘涛在分享中指出，自动驾驶和具身智能模型在训练阶段，对算力密度的要求并不极端，但对显存容量和数据处理能力要求更高。

这意味着，它们对算力平台的诉求，正在从“算力数量”转向“系统能力”——包括数据接入、预处理、多模态调度以及训练全流程的工程化效率。

推理侧的变化更加显著。

如果说训练侧的变化仍然是渐进的，那么推理侧的变化则更为直接和激烈。

一个被反复引用的数据，来自火山引擎在其公开发布会上的披露：平台每日 Token 调用量已达到 50 万亿级别。这是当前国内少数被明确对外公布的 Token 规模数据之一，也成为行业理解推理负载的重要参考。

与此同时，多个面向大众或企业的模型产品正在持续扩大推理需求。例如豆包、通义千问以及近期加大投入的腾讯元宝，都在不同程度上推动 Token 消耗快速增长。

这些产品并不完全运行在同一云平台上，但它们共同指向一个事实：推理阶段正在成为智算需求增长的主要来源，且这种增长具备明显的外溢性。

在所有推理场景中，编程类应用被反复强调。

刘涛指出，2025 年一个尤为显著的变化在于：编程相关请求正在成为 Token 消耗的主力场景之一。这一判断并非孤立，而是与海外模型使用结构的统计结果高度一致。

“Vibe Coding”成为一个关键词。一个广为流传的事实是，Claude Code 的大量代码本身，正是由 Claude Code 参与生成的。这意味着模型不再只是辅助工具，而是深度介入软件生产过程。

从全球 Token 调用结构来看，编程类请求在多家模型服务商中长期占据最高比例。金山云也观察到了同样的趋势：代码生成、重构和理解能力的提升，正在显著改变程序员的工作方式，并直接放大推理侧算力需求。

在具体应用层面，互联网客户仍然是智算需求的重要来源，但其需求形态已经发生变化。刘涛提到，当前互联网场景呈现出三个明显特征：

其一，多模态需求显著增长。视频生成、视频理解以及复杂推理任务，带动了训练与推理负载的持续上升；

其二，模型参数规模不再单向膨胀，而是围绕具体任务进行结构性调整；

其三，Vibe Coding 在头部互联网公司中已较为普及，使用更强的商用模型进行代码开发，正在成为常态。

这些变化意味着，互联网客户对智算平台的期待，已经从“算力服务”升级为对模型生命周期管理和工程体系的整体依赖。

为了满足更多元化的需求，刘涛表示，2025 年，智算平台金山云星流已完成从资源管理平台向一站式 AI 训推全流程平台的战略升级。从训推平台、机器人平台到模型 API 服务，升级后的金山云星流平台构建了从异构资源调度、训练任务故障自愈到机器人行业应用支撑、模型 API 服务商业化落地的全链路闭环。

实现三维进阶，智算云 AI 势能全释放

尽管各行各业大规模应用 AI 还处于早期探索阶段，但定位行业助力者的金山云，多年来持续打磨全栈 AI 能力。从 2023 年的智算网基础设施，到 2024 年智算云的平台化和 Serverless 化，再到 2025 年的一站式 AI 训推全流程平台，通过提升平台效率、突破行业边界、加速推理布局，金山云为迎接 AI 应用爆发做好了充分准备。

在平台效率方面，金山云星流训推平台提供从模型开发、训练到推理的完整生命周期管理，具备开发、训练、推理和数据处理四大模块能力，通过降低多模块协同复杂度，能实现“开箱即用”的 AI 开发体验。自研的 GPU 故障自愈技术结合任务可观测性设计，可实时监控硬件健康状态与任务进程，自动触发故障迁移与任务重调度，降低算力中断风险，保障长周期训练任务稳定运行。

作为面向机器人开发与落地的全链路云原生平台，金山云星流机器人平台深度融合数据采集、存储、标注、模型开发、训练、部署与仿真等核心环节，打造具身场景专属的数据、模型、仿真一体化引擎。平台率先实现具身智能数据工程领域采集、标注、管理的全链路闭环，可高效服务具身智能行业模型训练、仿真应用场景分析等核心需求，助力客户快速完成从算法研发到真实场景部署的全流程落地，最终推动机器人产业的智能化升级。

面向大模型应用开发者和企业用户，金山云星流平台模型 API 服务提供高可用、易集成的模型调用与管理能力，覆盖模型调用的全生命周期。该服务支持高并发推理与多模型管理，能够帮助用户高效接入多种模型资源，助力大模型应用落地。目前，金山云星流平台模型 API 服务已积累诸多行业客户。

同时，金山云星流平台的模型生态也在持续丰富。目前，平台已支持近 40 种不同模型，包括 DeepSeek、Xiaomi MiMo、Qwen3、Kimi 等。客户通过一站式访问，即可高效接入多种模型，在畅享稳定高效云服务的同时，更加聚焦 AI 业务创新和价值创造。

整理 | 华卫

1 月 26 日，理想汽车 CEO 李想召开了一场两个小时的线上全员会。据多位内部员工反馈，李想强调，2026 年是所有想要成为 AI 头部公司上车的最后一年；最晚 2028 年，L4 一定能落地；最终全球布局基座模型、芯片、操作系统、具身智能等业务的公司不会超过 3 家，理想会努力成为其中一家。

“未来，理想会进一步强化具身智能的品牌定位，而不仅仅是创造移动的家。在汽车之外，理想一定会做人形机器人，并会尽快落地亮相。”而接下来，理想为了迎接新一轮的 AI 竞争，公司将对研发进行新一轮的组织变革，将研发团队按照基座模型团队、软件本体团队、硬件本体团队等进行划分，其中汽车、机器人等都归为硬件本体团队。

同时，李想表示，要去招聘最好的人，把原来那些去到机器人创业公司的人再招回来。在此之前，已经有不少智驾核心技术人员从该公司离职，去具身智能赛道创业了。2025 年下半年，前理想自动驾驶研发负责人贾鹏、量产负责人王佳佳与前 CTO 王凯等核心高管一起创办了具身智能公司至简动力，且很快就拿到多家头部美元基金和互联网科技公司的投资意向。

当前，理想已在官网社招页面放出多个人形机器人研发岗位。从招聘信息可以看出，其研发项目几乎覆盖了人形机器人从核心部件到系统集成的全流程。

在 2025 年三季度业绩会上，李想公开表示，现在电动车行业拼参数已经拼到死胡同了，做智能终端又容易变成把手机应用搬到车里，属于重复建设，所以理想选了第三条路：把车定义成“具身智能”产品，让它从单纯的交通工具，变成有感知、有大脑、有神经、有心脏、有身体的“机器人”。

事实上，早在 2024 年底的 AITALK 上，李想就说过，理想做人形机器人是肯定的，但还没到合适的时机。然而，此前，因为技术跟不上、人形机器人供应链不成熟等问题，理想暂停了人形机器人自研项目。

但理想在泛机器人领域的布局也一直在进行。2025 年 6 月还有消息称，理想成立了“空间机器人”和“穿戴机器人”两个二级部门，都归高级副总裁范皓宇带领的产品部管，智能眼镜 Livis 是首款产品。

空间智能迎来重要开源进展。1 月 27 日，蚂蚁集团旗下具身智能公司灵波科技宣布开源高精度空间感知模型 LingBot-Depth。

该模型基于奥比中光 Gemini 330 系列双目 3D 相机提供的芯片级原始数据，专注于提升环境深度感知与三维空间理解能力，旨在为机器人、自动驾驶汽车等智能终端赋予更精准、更可靠的三维视觉，在“看清楚”三维世界这一行业关键难题上取得重要突破。这也是蚂蚁灵波科技在 2025 外滩大会后首次亮相后，时隔半年在具身智能技术基座方向公布重要成果。

在 NYUv2、ETH3D 等权威基准评测中，LingBot-Depth 展现出代际级优势：相比业界主流的 PromptDA 与 PriorDA，其在室内场景的相对误差（REL）降低超过 70%，在挑战性的稀疏 SfM 任务中 RMSE 误差降低约 47%，确立了新的行业精度标杆。

（图说：在最具挑战的稀疏深度补全任务中，LingBot-Depth 性能整体优于现有多种主流模型。图中数值越低代表性能越好。）

在家庭和工业环境中，玻璃器皿、镜面、不锈钢设备等透明和反光物体物体十分常见，但却是机器空间感知的难点。传统深度相机受制于光学物理特性，在面对透明或高反光材质时，往往无法接收有效回波，导致深度图出现数据丢失或产生噪声。

针对这一行业共性难题，蚂蚁灵波科技研发了“掩码深度建模”（Masked Depth Modeling，MDM）技术，并依托奥比中光 Gemini 330 系列双目 3D 相机进行 RGB-Depth 数据采集与效果验证。当深度数据出现缺失或异常时，LingBot-Depth 模型能够融合彩色图像（RGB）中的纹理、轮廓及环境上下文信息，对缺失区域进行推断与补全，输出完整、致密、边缘更清晰的三维深度图。

值得一提的是，LingBot-Depth 模型已通过奥比中光深度视觉实验室的专业认证，在精度、稳定性及复杂场景适应性方面均有良好表现。

实验中，奥比中光 Gemini 330 系列在应用 LingBot-Depth 后，面对透明玻璃、高反光镜面、强逆光及复杂曲面等极具挑战的光学场景时，输出的深度图依然平滑、完整，且物体的轮廓边缘非常锐利，其效果显著优于业内领先的 3D 视觉公司 Stereolabs 推出的 ZED Stereo Depth 深度相机。这意味着在不更换传感器硬件的前提下，LingBot-Depth 可显著提升消费级深度相机对高难物体的处理效果。

（图说：搭载 LingBot-Depth 后，奥比中光 Gemini 330 系列在透明及反光场景下深度图的完整性和边缘清晰度明显提升）

（图说：其效果优于业界领先的 ZED 深度相机）

LingBot-Depth 的优异性来源于海量真实场景数据。灵波科技采集约 1000 万份原始样本，提炼出 200 万组高价值深度配对数据用于训练，支撑模型在极端环境下的泛化能力。这一核心数据资产（包括 2M 真实世界深度数据和 1M 仿真数据）将于近期开源，推动社区更快攻克复杂场景空间感知难题。

据了解，蚂蚁灵波科技已与奥比中光达成战略合作意向。奥比中光计划基于 LingBot-Depth 的能力推出新一代深度相机。

新加坡的会场里，全球人工智能顶会 AAAI，正式揭晓年度奖项，也迎来了它的第 40 个年头。

今年共颁发了 5 个杰出论文奖，以及 2 个经典论文奖。在获奖名单中，竟然还有“机器学习三巨头”之一的 Yoshua Bengio。

不过这一次，他并不是因为最新成果获奖，而是凭借在 2011 年写的一篇论文获得了经典论文奖。而且不久前，他刚达成 AI 领域首个“百万被引作者”的成就。

为什么 10 多年前的这篇论文，会在今年被重新拉出来，还获得了经典论文奖？

不妨来看看它讲了些什么。

论文名为 Learning Structured Embeddings of Knowledge Bases（《面向知识库的结构化表示学习》）。提出了一种方法，把知识库的结构化数据嵌入到连续空间中，从而让结构化知识更容易用于机器学习任务。

换句话说，这篇文章解决的是如何把离散世界（知识、事实、关系）嵌入到连续空间；以及如何让神经网络不靠纯统计，而是“接住现实结构”。而今天热门的世界模型、RAG、Agent 的外部记忆等等这些东西，从本质上讲，全都在复用这条路线。

再说回今年获奖的 5 篇杰出论文，这些论文有讲机器人和 VLA 的，有在讲如何在连续时间系统中让 AI 模型“白盒化”的，还有讲 LLM 和 CLIP、讲高频信号和局部判别结构的。

串起来看，这些论文的研究方向，其实可以概括出一个共同指向：AI 的竞争，已从拼实验环境的中的炫酷 Demo，转向真正的应用层。Scaling Law 那套虽然不完全失效，但多少有点过时了，谁能在真实世界中被理解、被修订、被信任越来越关键。

AAAI 2026: AI 走向现实，评奖标准重塑

下面来看看这几篇杰出论文，都有哪些有意思的信息。

具身智能领域：

论文名：ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver（ReconVLA：作为高效机器人感知器的重建式视觉-语言-动作模型）

要说清本文的创新点，需要再这里先简单回顾一下什么是 VLA——VLA（Vision-Language-Action）具身智能领域的一个关键模型，可以把视觉感知、语言理解和动作生成统一到同一个模型中，直接根据“看到什么 + 听到什么”，来输出可执行机器人动作。

不过当前 VLA 的缺陷也是很明显的：比如模型在执行动作时，视觉注意力高度分散；即便模型能“理解指令”，但在复杂场景、多干扰物、长任务中，往往看不准真正要操作的物体。

结果就是：抓错对象、操作不精确（现实世界对精确度要求很高）、长链任务中途失败等等。

总之，以往 VLA 只监督“动作输出”，几乎不约束“视觉感知过程本身”。

而 ReconVLA 的关键思想是：不“告诉模型看哪里”，而是“逼模型把关键区域重建出来”。

其核心机制，简单来说，就是模拟人类视觉的“凝视（gaze）”机制，不要求模型输出框，也不输入裁剪图，而是让模型在内部生成一种“重建信号”，去还原“当前要操作的局部区域”。

论文还系统性地对比了三类视觉定位（grounding）范式：

• 一类是以外部检测器和裁剪图像为代表的 Explicit Grounding，

• 一类是先输出目标框、再生成动作的 CoT Grounding，

• 以及作者提出的 Implicit Grounding（隐式 Grounding），也就是 ReconVLA 的方式。

图注：不同范式 Grounding 之间的概念性对比。

前两类方法本质上都是在显式告诉模型“答案在哪里”，并未真正改变 VLA 内部的视觉表示和注意力机制。

而 ReconVLA 通过重建过程，将关键区域作为一种隐式的视觉监督信号，引导模型生成所谓的“重建 token（reconstructive tokens）”，从而在不引入额外输入或输出的前提下，重塑视觉感知能力。

换句话说，它不再让模型“蒙着眼睛试动作”，而是强制模型在每一步决策前，先把目标对象看准，再去动手。

关于从“结果可解释”，走向“结构可操作”：

论文名：Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis

（基于理论评分分析的动态系统因果结构学习方法）

这篇论文提出了一种方法：CADYT。能够在连续时间、甚至不规则采样的数据中，同时刻画系统的动力学演化，并恢复其中的因果结构。

更重要的是，作者证明了用于判断因果关系的评分函数，在理论上等价于一种合理的模型选择准则，而不是经验性的启发式指标。换句话说，就是这个评分不是凭经验设计的，而是从理论上保证：它会偏向那些“解释得刚刚好、不多也不少”的因果结构。

在现实世界的系统中，无论是工业控制、物理系统，还是医疗过程，系统本质上都是连续时间演化的，而且由稳定的因果机制驱动。但以往的方法往往只能解决其中一半问题。

一类是时间序列因果发现方法，它们通常基于离散时间建模（如 DBN、Granger），并假设规则采样，因此在面对真实的连续动力学和不规则采样时，难以准确刻画系统本身的演化机制。

另一类是连续时间动力学建模方法（如 Neural ODE、GP-ODE），虽然能自然处理不规则采样，却主要关注预测精度，本质上并不区分因果依赖与偶然相关。

这就留下了一个长期存在的空白：几乎没有方法，既工作在连续时间框架下，又能够同时恢复系统的动力学机制和因果结构。

而 CADYT 正是针对这一空白提出的。它将连续时间的高斯过程动力学建模，与基于最小描述长度（MDL）和算法马尔可夫条件（AMC）的因果评分结合起来，在不规则采样条件下，通过比较不同因果结构对数据的“压缩能力”，来识别真正的因果关系，并给出了明确的理论保证。

说得更直白一点，这项工作把连续时间动力学建模，从“拟合得像不像真实轨迹”，推进到了“学到的机制在因果上是不是对的”。

论文名：Model Change for Description Logic Concepts

（描述逻辑概念的模型变更）

此论文还未公开上传，暂无链接。

关于表示学习，重新审视结构本身

论文名：LLM2CLIP: Powerful Language Model Unlocks Richer Cross-Modality Representation

（LLM2CLIP：强大语言模型解锁更丰富跨模态表征）

CLIP（Contrastive Language–Image Pre-training）是一个经典的多模态模型，通过对比学习，将图像和文本映射到同一语义空间，从而实现“以文找图、以图找文”等跨模态理解能力。

CLIP 在跨模态检索和基础语义对齐上表现出色，但它也有一个公认的短板：文本编码器容量较小、上下文长度有限，对长、复杂、信息密集的文本理解能力不足。这在长文本检索、多语言理解等场景中尤为明显。

LLM 在语言理解、上下文建模和世界知识方面，倒是明显更强。但问题在于，LLM 不能直接接入 CLIP。

——一方面，原生 LLM 的句向量并不具备对比学习所需的“高区分度”，很难有效拉开不同 caption 之间的距离；另一方面，如果端到端联合训练 LLM 和 CLIP，计算成本也高得不可接受。

这篇论文提出了一种系统化的新方法，名曰：LLM2CLIP，顾名思义，把 LLM“接入”或“输送”到 CLIP 里，用 LLM 来替代或者增强 CLIP 的文本能力。

但这并不是简单地把 LLM 直接接进去。作者给出的解决路径，是分两步走，各解决一个关键障碍。

第一步，是先让 LLM 成为一个“合格的文本 embedding 模型”。为此，论文提出了 Caption-Contrastive Fine-tuning：

使用同一张图像对应的不同 caption 作为正样本，通过对比学习，让语义相近的描述在向量空间中更接近、不相关的描述更远；同时配合平均池化、双向注意力和 LoRA 等结构调整，提升句向量的稳定性和可区分性。

这一步的目标并不是做多模态，而是把 LLM 训练成一个真正“好用”的文本表示器。

第二步，则是直接用经过处理的 LLM，替换掉 CLIP 原有的文本编码器。在这一阶段，LLM 参数被冻结，仅训练一个非常轻量的 adaptor 来对齐视觉特征，使整体训练流程几乎等同于普通的 CLIP 微调，算力成本基本不变。

大量消融实验表明：同时保留两个文本编码器、或试图在两者之间做复杂对齐，效果反而更差；“直接替换”是最简单、也是最有效的方案。

实验结果显示，LLM2CLIP 在长文本检索任务上提升最为显著，短文本检索也有稳定增益，同时多语言检索能力明显增强。更重要的是，这些提升是在仅使用百万级数据、几乎不增加训练成本的前提下实现的。

总体来看，LLM2CLIP 的价值在于，它没有重造一个更大的多模态模型，而是用一种低成本、可复用的方式，把“语言理解”这块短板，直接补进了 CLIP 的核心结构里。

论文名：

High-Pass Matters: Theoretical Insights and Sheaflet-Based Design for Hypergraph Neural Networks

（高频信息的重要性：面向超图神经网络的理论分析与 Sheaflet 方法设计）

此论文还未公开上传，暂无链接。

总而言之，这些研究都在把关注点从结果层面的性能，推向模型内部的感知、结构和机制本身。

论文地址：

https://arxiv.org/abs/2508.10333

https://arxiv.org/abs/2411.04997

https://arxiv.org/abs/2512.14361

参考链接：

https://aaai.org/about-aaai/aaai-awards/aaai-conference-paper-awards-and-recognition/

https://aaai.org/about-aaai/aaai-awards/aaai-classic-paper-award/?utm_source

https://aaai.org/conference/aaai/aaai-26/award-talks/

“通用性不再是主要瓶颈，部署中的任务集熟练度和可靠性才是决定机器人能否真正落地的关键。”在近期的一场采访中，智元机器人合伙人、首席科学家罗剑岚称，2026 年是机器人从会做很多事但每个事做得不太好走向把事情做好并落地的关键节点，要求学习范式从静态离线训练升级为部署学习再部署的整套数据闭环系统。

他表示，正是基于这个判断，智元机器人具身研究中心提出了 SOP（Scalable Online Post-training），一套面向真实世界部署的在线后训练系统。SOP 的核心目标是，让机器人在真实世界中实现分布式、持续的在线学习。

据罗剑岚透露，智元今后会在所有机器人上应用 SOP。今年，智元计划部署比现在大几个数量级的机器人，真正找到机器人真实场景部署和真实场景落地的 Scaling law。

要在真实世界中大规模运行，通用机器人必须同时满足两个看似矛盾的要求：在复杂多变的环境中保持稳定性与可靠性；在处理差异巨大的任务时，仍具备良好的泛化能力。现有 VLA 预训练模型已经提供了强大的通用性，但真实世界的部署受困于更高的任务专精度要求以及离线数据采集方式的边际效益递减，往往需要通过后训练获得更高的任务成功率。

然而，当前主流的 VLA 后训练方法仍受离线、单机、串行采集等因素制约，难以支撑高效、持续的真实世界学习。这些限制并非源自具体算法，而是来自学习范式本身。智元方面介绍，SOP 改变的不仅是训练范式，更是机器人系统的生命周期。如果说 VLA 让机器人第一次具备了通用理解与行动能力，那么 SOP 所做的是让众多机器人的经验共同驱动智能的快速成长。

“SOP 目前不是完全开源的，但不排除未来开放的合作形式。”罗剑岚表示，智元从成立之初就坚持走生态开放的路线，希望跟更多厂商一起共建 SOP，把 SOP 的闭环真正接入到业务流程里。SOP 不是封闭系统，而是一种新的持续学习、在线学习、协同进化的方式，任意的后训练算法和模型都可以接进来，智元会开放一些 SOP 的关键模块和接口。

从长远来讲，智元的目标是构建一个开放的机器人在线学习生态，不同的机器人本体都可以接入，让数据共享上传到云端一个大脑，数据回传回来并不断进化，给大家使用。

SOP：分布式在线后训练框架

SOP 采用 Actor–Learner 异步架构，本身是一套通用的框架，可以即插即用的使用任意后训练算法，让 VLA 从在线经验数据中获益。智元选取 HG-DAgger（交互式模仿学习）与 RECAP（离线强化学习）作为代表性算法，将其接入 SOP 框架以进化为分布式在线训练。

据介绍，他们将 VLA 后训练从“离线、单机、顺序”重构为“在线、集群、并行”，形成一个低延迟的闭环系统：多机器人并行执行 → 云端集中在线更新 → 模型参数即时回流。

 SOP 架构设计图

SOP 的关键优势包括：

• 高效状态空间探索。分布式多机器人并行探索，显著提升状态–动作覆盖率，避免单机在线学习的局限。

• 缓解分布偏移。所有机器人始终基于低延迟的最新策略进行推理采集，提升在线训练的稳定性与一致性。

• 在提升性能的同时保留泛化能力。传统的单机在线训练往往会使模型退化为只擅长单一任务的“专家”， SOP 通过空间上的并行而非时间上的串行，在提升任务性能的同时保留 VLA 的通用能力，避免退化为单任务专家。

实验评估：性能、效率与 Scaling Law

实际效果方面，智元围绕三个方面对 SOP 进行了系统性评估。

首先是 SOP 能为预训练 VLA 带来的影响。实验结果说明，在各类测试场景下，结合 SOP 的后训练方法均得到了显著的性能提升。

相比预训练模型，结合 SOP 的 HG-Dagger 方法在物品繁杂的商超场景中实现了 33% 的综合性能提升。对于灵巧操作任务（叠衣服和纸盒装配），SOP 的引入不仅提升了任务的成功率，结合在线经验学习到的错误恢复能力还能明显提升策略操作的吞吐量。结合 SOP 的 HG-Dagger 方法让叠衣服的相比 HG-Dagger 吞吐量跃升 114%。SOP 让多任务通才的性能普遍提升至近乎完美，不同任务的成功率均提升至 94%以上，纸盒装配更是达到 98%的成功率。

为了进一步测试真机 SOP 训练后 VLA 模型是否达到专家级性能，他们让 SOP 训练的 VLA 模型进行了长达 36 小时的连续操作，模型展现出了惊人的稳定性和鲁棒性，能够有效应对真实世界中出现的各种疑难杂症。

其次，智元使用了三种机器人队伍数量（单机、双机、四机配置），在同样的数据传送总量的基础上，进行了比较。实 验结果表明，在相同的总训练时间下，更多数量的机器人带来了更高的性能表现。在总训练时间为 3 小时的限制下，四机进行学习的最终成功率达到了 92.5%，比单机高出 12%。

他们认为，多机采集可以有效阻止模型过拟合到单机的特定特征上。同时，SOP 还将硬件的扩展转化为了学习时长的大幅缩短，四机器人集群相比单机能够将模型达到目标性能的训练速度增至 2.4 倍。

 SOP 学习效率提升

此外，他们探究了 SOP 和预训练数据之间的关系，把总量为 160 小时的多任务预训练数据分为了三组：20 小时，80 小时和 160 小时，分别训练一组初始模型后再进行 SOP。接着发现，预训练的规模决定了基座模型和后训练提升的轨迹。SOP 能为所有初始模型带来稳定的提升，且最终性能与 VLA 预训练质量正相关。

同时，对比 80 小时和 160 小时实验效果，在解决特定失败情况时，在轨策略经验带来了非常显著的边际效果。SOP 在三小时的在轨经验下就获得了约 30%的性能提升，而 80 小时额外人类专家数据只带来了 4%的提升。这说明在预训练出现边际效应递减的情况下，SOP 能够高效突破 VLA 性能瓶颈。

 SOP 在不同预训练数据规模下的对比

最后，智元将机器人队伍放到了预训练模型没有见到的真实新环境下执行任务，并使用 SOP 进行在线训练。当机器人被置于不同的环境时，即便是同样的任务，起初成功率和吞吐量如预期般下降，但在 SOP 介入仅仅几个小时后，机器人的性能便显著回升，能够鲁棒地执行相对复杂的实际任务。

二十年，是一个坐标。从 Web 2.0 的萌芽，到移动互联网的爆发，再到云原生时代的重塑，D2 技术大会伴随开发者走过了整整二十载风雨。

今天，我们站在了一个更加宏大的分水岭。AI 不再是遥远的科幻逻辑，它正以一种近乎“重构”的姿态，系统性地改写终端技术的底层范式：从代码生成的协作，到架构设计的逻辑，再到交互体验的边界。

第 20 届 D2 技术大会，年度主题定为——「AI 新」。

它既是我们的时代判断，也是我们的集体宣言。它是 AI 驱动的创新，也是终端人对技术边界追逐的热爱之新。

此刻，我们正式向全球开发者、架构师、技术领袖及创新实践者发出邀请：来 D2，分享你对 AI 时代终端技术的独到见解，共同定义下一个二十年的生产力！

七大核心专场，期待你的真知灼见

我们渴望真实工程中的突破，珍视深度思考后的落地，让技术回归解决问题的初衷。

01 AI Coding：从写代码开始，重构工程本身

这是本届 D2 的主干专场。AI 正在从“辅助助手”升级为“协作伙伴”。

征集方向：

• AI Agent 编程工具的研发与设计

侧重 Agent 型 AI 编程工具在本地与远程形态下的架构与产品设计。征集议题包括 IDE 深度集成、上下文采集与记忆管理、代码库索引检索、任务规划与工具调用、执行沙箱与权限控制、审计与回放、可观测性、成本/延迟优化与多模型策略等。重点关注可靠性与可控性：减少误改、支持规范化交付与团队协作。

• AI-Native 开发实践

聚焦真实项目中 AI 编程的可复用方法。征集包含 Spec 驱动开发（结构化需求/验收标准/契约/测试）、AI 编程 Workflow 探索（从需求到 PR/发布的流水线）、以及团队级 AI 驱动研发实践（流程改造、提示/模板沉淀、质量门禁、效率与质量度量、失败复盘）。重点是“怎么做得稳、做得快”。

• AI Coding 前沿研究与技术趋势

关注下一代 AI Coding 的关键技术与趋势。征集议题包括长上下文与复杂依赖、代码语义理解与程序分析结合、自动化评测与基准、对齐与安全、多智能体协作、可靠性与可解释性增强等。重点探讨研究如何走向工程落地与可验证的效果提升。

02 AI 创新体验：当交互正在被重写

终端是 AI 被感知的最前线。交互范式的巨变已经发生。

征集方向：

• UI 范式重塑

探讨从 GUI 向 LUI 或 AUI 的代际演进。聚焦 Agent 驱动下的意图识别、动态 UI 生成及个性化界面即时构建。征集议题包括主动交互设计、多 Agent 协作下的用户反馈回路、以及如何利用 AI 简化复杂业务流的操作门槛。

• 空间智能体验

聚焦多模态感知与空间计算的深度融合。涵盖视觉、语音、触觉在 3D/XR 环境下的集成交互，以及 AI 驱动的实时场景理解与数据可视化。重点探讨如何利用空间智能让数字世界更符合自然认知，实现高沉浸感的智能反馈。。

• 具身交互探索

关注 AI 进入物理世界后的交互挑战，从 AI Wearables、AI PC 到机器人具身智能。探讨硬件约束下的自然语言处理、人机交互（HRI）实践及环境感知反馈。重点关注如何通过端侧智能赋予硬件产品生命力，解决真实场景下的交互痛点，探索用户真正愿意买单的终端新价值点。

03 AI 语言 & 框架：模型时代，语言与框架如何进化

当 AI 成为“默认能力”，底层技术如何适配？

征集方向：

• 语言与编译器演进

探讨编程语言如何适配“人机共写”新常态。征集议题涵盖 LLM 友好型语法设计、智能化类型系统、AI 辅助的编译优化与静态分析等。重点研究如何通过语言特性的进化，提升 AI 生成代码的质量、安全性与复杂逻辑表达力。

• Agent 框架重构

当 Agent 成为系统编排者，探讨传统框架的抽象层重塑。征集议题涵盖声明式意图驱动的框架设计、元数据驱动的界面自动生成、以及为 AI 重新设计的组件模型。重点关注框架如何提供更高级别的抽象，以支持多 Agent 在复杂业务逻辑中的无缝协作、状态同步与逻辑自治。

• 智能运行时与内核

推动 AI 从工具层下沉为系统的核心能力。聚焦内置 AI 推理能力的运行时引擎、模型与容器/内核的深度集成，以及 AI 驱动的动态资源调度策略。重点探讨端云协同背景下，如何模糊开发与运行、模型与逻辑的边界，实现具备自适应、自进化能力的智能运行基座。

04 AI 智能测试：质量与效率，不再只能二选一

测试不再是滞后的环节，而是 AI 介入最深、收益最显性的战场。

征集方向：

• 用例生成与自愈

探讨利用 LLM 实现测试全生命周期的自动化。征集议题包括基于语义理解的单元/集成测试生成、复杂业务场景下的测试数据合成，以及 UI 自动化脚本的自愈（Self-healing）机制。

• 风险洞察与优化

聚焦利用 AI 提升质量保障的精准度与效率。征集议题涵盖基于变更分析的智能回归测试缩减、线上异常的实时检测与根因定位，以及多维度的质量风险预测模型。探讨如何利用算法在海量代码变更中快速锁定高风险区域，解决快速迭代与质量稳定性之间的核心矛盾。

• 治理与角色演进

关注 AI 引入后测试流程与组织效能的系统性重构。核心议题包括 AI 测试工具的 ROI 分析、人机协同模式下的 QA 职责重定义，以及在规模化工程中构建“默认内置 AI”的质量防线。探讨如何通过技术赋能，打破质量与效率的零和博弈，重塑技术团队的质量文化与评价体系。

05 AI 智能生产：从工具走向生产系统

关注 AI 在真实业务落地时的“最后一公里”。

征集方向：

• 业务深度嵌入

探讨 AI 如何从外部辅助工具进化为业务逻辑的核心。寻找在复杂业务场景中的落地架构案例，关注如何处理模型输出的不确定性以交付“确定性”结果。重点探讨 AI 对传统业务流程的深度重构，在提升用户价值的同时，确保生产系统的稳定性、安全性与商业收益。

• 规模化生产交付

聚焦 AI 从原型验证（PoC）走向规模化交付的工程拐点。征集议题涵盖支持大规模 AI 应用的工程底座、端到端 AI 生产平台的演进、以及 FinOps 成本分析与合规治理。探讨如何构建标准化的平台能力，支撑 AI 跨团队、跨业务的高效迁移与持续稳定运行，实现技术普惠。

• 全链路协同提效

关注覆盖需求、设计、交付及运维的 AI 全链路闭环。核心议题包括新一代人机协作下的流程重塑、领域专用 Agent 的生产环境编排，以及科学的效能度量方法。探讨如何通过技术与组织的双重演进，实现软件生产体系的跨越式提效，将 AI 潜能真正转化为规模化的实际业务产能。

06 终端技术：重构 AI 时代的性能底座

底层基础设施如何承载高算力与高响应需求？

征集方向：

• 架构适配与演进

探讨终端架构如何重构以深度兼容 AI 能力，重点研究如何调整传统的软件拓扑结构，以支持 AI 在终端侧的无缝集成、高效编排与复杂的应用状态管理，提升端侧智能的响应实时性。

• 运行时与性能优化

聚焦通过底层技术突破 AI 运行的性能瓶颈。征集议题涵盖面向 AI 指令集优化的编译器技术、异构算力的极致加速实践，以及轻量化端侧容器演进。探讨如何通过运行时与系统内核的深度协同，在有限的硬件资源限制下，实现极致的推理速度与能效比。

• 端侧工程与协同

核心议题包括模型量化、蒸馏与剪枝的终端实战、端云协同推理架构，以及隐私安全约束下的端侧学习。探讨如何构建高效的端云配比方案，在保障响应速度与数据隐私的同时，实现计算成本与用户体验的帕累托最优。

07 一人公司：技术人的个体放大器

这是最具时代情绪的专场。AI 正在让“超级个体”成为可能。

征集方向：

• 全栈生产力飞跃

探讨 AI 如何打破专业壁垒，实现“一个人就是一支团队”。分享利用 AI 协同完成从需求定义、全栈开发、交互设计到市场增长的全链路实践。

• 商业闭环与实战

聚焦超级个体的商业化落地与可持续经营之道。征集独立开发者的 AI 实战案例，涵盖极致成本控制下的产品生存策略、AI 辅助的商业决策与自动化运营。探讨在 AI 时代，个体如何构建轻量化、高利润的商业模式，并成功应对从单兵作战到规模化营收的真实挑战。

• 职业路径重构

探讨从“专项开发者”向“产品主理人”转型的思维重构、AI 时代的个人品牌经营，以及个体长期竞争力的构建。研究在组织边界日益模糊的未来，技术人如何利用 AI 工具集寻找更具自主性的创作路径，定义下一代极简且高效的职业范式。

顶尖出品人矩阵：为议题深度护航

本届 D2 各专场由行业资深专家领衔，他们不仅是评审者，更是议题的“合伙人”。

我们寻找的不仅是一个演讲者

更是一个在 AI 工程深水区挣扎过、思考过、最终破局的见证者

• 隐风| 淘天集团-用户 &内容终端技术负责人

• 云谦| 蚂蚁集团-高级前端技术专家

• 悟石| 淘宝闪购-消费者端技术负责人

• 渚薰| 前淘宝互动游戏专家

• 偏右| 蚂蚁集团-支付宝体验技术前端平台负责人

• 张磊| 字节跳动 Web Infra 技术负责人

• 泠乐| 淘天集团-淘宝终端质量负责人

• 茹炳晟| CCF TF 研发效能 SIG 主席 / 复旦大学 CodeWisdom 成员

• 达峰| 蚂蚁集团-平台体验技术部负责人

• 穆宸| AliExpress-终端技术负责人 / D2 负责人

• 永霸| 淘天集团-交易终端技术负责人

• 崔红保| DCloud CTO / uni-app 跨平台框架负责人

• 秦粤| 阿里云-数据库高级前端专家

• 梓骞 | 启智云图 CEO / Lovrabet 产品创始人

出品人寄语：“在 D2，我们致力于将前沿的 AI 实践提炼为系统化的技术范式。我们期待与你一同锚定 AI 时代的工程坐标，让每一份实战洞察都汇聚成定义未来的行业基准。”

🌟 为什么来到 D2 舞台

1. 顶尖技术影响力：D2 是国内终端技术的风向标，线下规模 2000+，线上覆盖数十万专业开发者。

2. 二十周年里程碑：参与第 20 届这一极具纪念意义的盛会，与业内最具创新精神的技术人同频共振。

3. 常态化社区联动：优质内容将同步至稀土掘金、InfoQ、AI 产品榜等联合承办方平台，获得持续的行业曝光与认可。

🗓️ 议题提交指南

• 截止时间： 2026 年 1 月 23 日（请关注官网最新动态）

• 议题要求：内容具有前瞻性、实战性或深度思考；拒绝纯广告，强调技术细节与真实的踩坑经验

扫码提交议题

二十年是一个里程碑，更是重新出发的起点。在「AI 新」的浪潮中，让我们一起，用 AI 驱动创新，用终端之心热爱创新。

*本文由极客时间企业版代发

引言：唐杰、杨植麟、林俊旸、姚顺雨聚会：AI 发展的共识和差异;“死了么”APP 爆火，开发者：用户数翻了 50 倍，尚不准备改名；消息称微软本月将启动新一轮大裁员，规模达 1.1 万至 2.2 万人；字节实习生全面涨薪，最高涨幅达 150%；马斯克：X 平台将于七天内开源其算法；消息称约翰・特努斯成库克头号苹果接班人，曾主导 iPhone Air 项目；OpenAI 预留 500 亿美元员工股权激励池；王腾官宣创业：核心成员来自小米、华为，薪资福利基本看齐大厂；京东将推出全年龄段人群 AI 玩具……

行业热点

唐杰、杨植麟、林俊旸、姚顺雨聚会：AI 发展的共识和差异

在近日的 AGI-Next 前沿峰会上，唐杰、杨植麟、林俊旸、姚顺雨等行业标杆人物，与张钹院士共同勾勒出大模型发展的新图景，围绕技术突破、行业分化、范式变革与中国 AI 的未来展开了一场思想碰撞。

在技术发展的核心议题上，各位领军者达成了“突破现有瓶颈、迈向多元智能”的共识。智谱创始人唐杰直言，中国开源大模型虽成果斐然，但与美国闭源大模型的差距可能仍在拉大，行业需保持清醒认知。他提出，大模型的下一阶段应借鉴人脑认知过程，重点突破三大能力：多模态“感统”能力，实现视觉、声音、触感等多源信息的统一感知；构建全人类“第四级记忆”，解决模型记忆与持续学习不足的问题；探索反思与自我认知，挖掘大模型自主意识的可能性。2026 年，智谱将聚焦架构创新、多模态感统等方向，推动 AI 进入长任务场景并实现具身智能，同时预判今年将成为 AI for Science 的爆发年。

月之暗面 Kimi 创始人杨植麟则从 Agentic 时代的技术架构切入，强调提升 token efficiency 与实现 long context 的双重重要性。他认为，前者能以更少 token 达到同等效果，后者可突破传统架构局限，支撑复杂 Agent 任务，二者结合方能实现更高水平的代理智能。更具启发性的是，他提出智能具有“非同质化”属性，未来的技术升级不仅是算力的堆砌，更关乎“品味”——即对 AI 价值观与形态的深层理解，这种差异性将催生出更多新颖应用场景。面对 AGI 潜在风险，杨植麟秉持开放态度，认为 AGI 是提升人类文明上限的关键工具，应在风险可控的前提下持续迭代突破。

通义 Qwen 技术负责人林俊旸则将目光投向物理世界，提出打造 Multimodal Foundation Agent 的愿景。他认为行业发展“殊途同归”，全模态模型与具身推理是核心方向，Agent 将从数字世界走向物理世界。林俊旸描绘了具体的落地场景：数字特工可实现 GUI 操作与 API 调用，物理特工则能完成斟茶倒水等实体交互动作，这种从虚拟到现实的延伸，为 AI 应用开辟了广阔空间。

作为压轴嘉宾，张钹院士从旁观者视角给出了深刻洞见。他指出，大模型当前擅长跨领域泛化，但落地应用需实现跨任务泛化，重点解决分布外、长尾场景的泛化难题，具体应推进多模态、具身交互、结构化知识对齐等六大方向。在人机关系上，他大胆质疑“机器必须与人类对齐”的传统认知，认为人类存在固有缺陷，无需让 AI 完全复刻；而 AI 治理的核心，不应是约束机器，而是规范研究者与使用者的行为。值得关注的是，张院士一改以往态度，鼓励最优秀的学生投身创业，认为人工智能时代的企业家应承担起将知识、伦理与应用转化为通用工具的使命。

圆桌对话环节，嘉宾们围绕行业分化、范式变革、Agent 战略与中国 AI 的胜算四大议题展开深度探讨。腾讯首席科学家姚顺雨从跨中美视角指出，To C 与 To B 场景的模型需求已分道扬镳：To C 用户对强智能需求有限，To B 领域则呈现“智能即生产力”的鲜明特征，模型强弱分化将愈发明显。在范式变革方面，姚顺雨提出自主学习已实际发生，只是尚未形成颠覆性感知；唐杰则预判 2026 年将出现新范式，单纯依靠扩算力、扩数据的 Scaling 模式已难以为继，创新是唯一出路。

关于中国 AI 的全球竞争力，嘉宾们既正视差距也保持信心。姚顺雨认为中国团队在快速复现与局部优化上具备优势，但缺乏敢于探索未知的“冒险家”；林俊旸坦言美国在算力投入上领先 1-2 个数量级，中国团队领先概率约为 20%，但“穷则思变”可能催生创新机会；唐杰则强调，凭借敢冒险的年轻一代、良好的发展环境与持续深耕的定力，中国 AI 有望在长期竞争中实现突破。

“死了么”APP 爆火，开发者：用户数翻了 50 倍，尚不准备改名

2026 年 1 月，郑州月境技术 3 人 95 后团队开发的 8 元付费 APP “死了么” 爆火，苹果付费软件排行榜登顶，用户数较此前翻 50 倍仍在上涨。据悉，该 APP 专为独居人群设计，2 日未签到即自动向紧急联系人发邮件，因名字有传播力、需求旺盛等爆火，团队表示暂不改名，计划上线短信提醒、留言等功能。

该软件不需注册登录，首次使用只需填写本人姓名与紧急联系人邮箱即可。每天打开应用轻轻一点完成签到，后台自动监测状态。系统有一个异常未签到自动通知的功能，如果用户连续 2 天没有在应用内签到，系统将于次日自动发送邮件告诉对方。

其背后公司名为月境（郑州）技术服务有限公司，2025 年 3 月份才成立，注册资本 10 万元。创始人之一小郭对媒体介绍，团队有 3 人，一位是朋友，一位是网友，都是 95 后。这款 APP 耗时 1 个月完成，开发成本约 1500 元。

据报道，“死了么”在 2025 年中旬上线，不过期间团队未花过多精力打理，在一个月前才做了一次更新。上线后很长一段时间里用户量很少，团队也不擅长营销，直到最近突然爆火，用户数达到之前的 50 倍，目前热度还在上涨。不过由于用户规模数能直接推导出团队收益，小郭表示，目前不便透露具体用户规模。

消息称微软本月将启动新一轮大裁员，规模达 1.1 万至 2.2 万人

1 月 7 日消息，据报道，微软公司计划于 2026 年 1 月启动新一轮裁员。预计全球范围内裁员规模将达到 1.1 万至 2.2 万人，约占其全球约 22 万名员工总数的 5% 至 10%。此次裁员预计将在 1 月第三周实施。有员工透露，微软 Azure 云团队、Xbox 游戏部门以及全球销售部门将是裁员的重点领域。截至目前，微软尚未证实该计划。微软在 2025 年尽管全年营收与利润保持稳健态势，该公司仍通过多轮裁员削减了超过 1.5 万个岗位。

与此同时，微软正加大对人工智能系统的投入力度。仅在 2026 财年第一季度，其资本支出就高达 349 亿美元（现汇率约合 2441.36 亿元人民币）。该公司预计全年总支出将突破 800 亿美元（现汇率约合 5596.24 亿元人民币），超过 2025 财年水平。这笔资金的大部分将用于数据中心、芯片及人工智能工具的建设与研发。分析师认为，受此战略调整影响，微软正将资金从人力成本转向长期技术资产投资。因此，中层管理人员及传统产品团队将面临更高的裁员风险。

字节实习生全面涨薪，最高涨幅达 150%

1 月 5 日，有消息称字节跳动实习生全面涨薪，覆盖技术、产品、运营等多个岗位，薪资标准自 2026 年 1 月 1 日起正式生效。其中，技术类实习生日薪调整至 500 元，较此前上涨 25%。产品类岗位从每日 200 元提升至 500 元，较此前上涨 150%。此外，运营、设计、市场、职能、销售等其他岗位也均有不同程度涨薪，调整后日薪区间涵盖 100 余元至 400 余元。

需要注意的是，此次公布的涨薪标准主要适用于北上广深杭等一线城市。同时，具体薪资仍会根据岗位类型、所在业务线等因素有所区别，并非完全统一。通过查询招聘软件发现，目前北京地区的产品实习生日薪已调整为 500 元，运营、营销类实习生日薪则为 350 元/天。

据了解，字节跳动 2025 年 12 月发布面向全球员工的内部邮件，宣布继续加大人才投入，提高薪酬竞争力、提升期权激励力度。具体包括以下措施：增加奖金（含绩效期权）投入，2025 全年绩效评估周期相比上个周期提升 35%；大幅增加调薪投入，较上个周期提升 1.5 倍；提高所有职级薪酬总包的下限（起薪）和上限（天花板）。该公司表示，此举系为确保员工薪酬竞争力和激励回报在全球各个市场都“领先于头部水平”。

马斯克：X 平台将于七天内开源其算法

社交媒体平台 X 创始人埃隆・马斯克于周六表示，该平台将在七天内面向公众开源其新版算法，这一算法包含用于决定向用户推荐哪些帖文及广告的相关代码。“这项举措将每四周推行一次，同时会附上详尽的开发者说明文档，助力大家了解算法的具体更新内容。”身为 X 平台所有者的马斯克在该平台发布的一则帖子中如此表示。

消息称约翰・特努斯成库克头号苹果接班人，曾主导 iPhone Air 项目

1 月 9 日消息，报道称伴随着现任首席执行官蒂姆・库克年满 65 岁，且其本人有意减轻工作负荷，苹果公司已加速接班人计划，而约翰・特努斯再次被认为是接班热门人选。媒体援引博文介绍，现年 65 岁的库克向高层坦言感到疲惫，希望减轻工作负担。若库克决定卸任 CEO 一职，极有可能转任苹果董事会主席。在众多候选人中，现任硬件工程主管约翰・特努斯尽管行事低调，但已跃升为头号热门人选。特努斯现年 50 岁，这一年龄恰好与库克 2011 年接替乔布斯时的年龄相同。

知情人士透露，特努斯之所以脱颖而出，源于其在产品定义与商业利益间“穿针引线”的精准把控力。据内部人士回忆，2018 年前后，苹果为了提升摄影与增强现实（AR）体验，曾考虑在 iPhone 上引入一种微型激光（LiDAR）组件。然而，该组件高达 40 美元的单项成本将严重压缩利润。特努斯当时果断建议：仅在价格更高的 Pro 机型上搭载该组件。他认为，购买 Pro 系列的忠实用户更愿为新技术买单，而普通用户对此并不敏感。这一决策不仅保住了利润，也确立了产品分级策略。

针对外界关于其缺乏创新能力的质疑，Ternus 的支持者指出，他实际上深度参与了近年来多个关键产品的研发。值得注意的是，备受瞩目的 iPhone Air 以及即将面世的折叠屏 iPhone 均由他牵头主导。这些项目显示，Ternus 不仅具备卓越的执行力，在推动产品形态创新方面同样拥有实际战绩。此外在管理风格方面，特努斯被认为与库克高度相似。他于 2001 年加入苹果，以注重细节和深谙庞大的供应链网络著称。

OpenAI 预留 500 亿美元员工股权激励池

1 月 8 日消息，据外媒报道，人工智能公司 OpenAI 去年秋季设立了一项规模达约 500 亿美元的员工股票激励池，相当于公司当时估值的约 10% 股份，该估值基于 2025 年 10 月约 5000 亿美元 的公司估值水平。报道指出，此前 OpenAI 已向员工授予约 800 亿美元的已归属股权，本次新增的股票激励池与既有部分合计约占公司总股份的 26%。

在过去一年中，OpenAI 的估值经历了快速增长。2025 年年中公司通过一笔员工股份二级市场交易达到约 5000 亿美元估值，高于前一次由 SoftBank 等领投的 3000 亿美元融资轮。二级股权交易不仅为员工提供了变现渠道，同时也被视为衡量市场对 OpenAI 增长前景信心的一个指标。

这一大规模股权激励池反映了 OpenAI 在全球 AI 竞争中对人才吸引与保留的高度重视。在人工智能研发与产品商业化日益加剧的背景下，顶尖 AI 研究人员和工程师成为市场追逐的稀缺资源，竞争对手包括 Meta、Google 等科技巨头均提供了丰厚的股权激励条件。在行业快速发展与人才争夺日益激烈的背景下，OpenAI 的股权策略旨在通过高比例激励计划锁定核心技术人才，同时支持公司未来产品和业务长期增长。

王腾官宣创业：核心成员来自小米、华为，薪资福利基本看齐大厂

1 月 8 日，王腾在社交平台公布最近情况。王腾称，从小米离开后开始筹备创业，最近新公司已经成立，公司取名为“今日宜休”，目标是通过研发睡眠健康相关的产品，让大家能拥有更好的精力状态。王腾表示，目前已经组了一个初创团队，核心成员主要来自小米、华为等头部科技大厂。

王腾还放出招聘广告，重点招聘软硬件产品经理、 健康/AI 算法工程师、脑科学睡眠健康专家等岗位。王腾还解释为何选择睡眠健康、精力管理方向：1. 首先睡眠、精力已经成为每个人都关心的健康问题。2. 社会对睡眠的价值理解有待提升。3. 新时代下 AI 大模型发展迅速，让很多产品的体验能大幅提升。公开信息显示，北京今日宜休科技有限责任公司成立于 2026 年 1 月 6 日，由王腾持股 55%并担任法定代表人，注册资本是 100 万人民币，注册地址是北京市海淀区。

此前报道，去年 9 月 8 日，小米发布内容通报，原小米中国区市场部总经理、REDMI 品牌总经理王腾因泄密被小米公司辞退。11 月份，王腾发文称告别手机行业。他表示前段时间因为自己的问题离开小米，最近也有一些公司发来邀约，但综合竞业限制和个人兴趣的考虑，想跟手机行业说声再见了，愿还在这个行业的朋友们继续加油，期待更精彩的产品出现。王腾还透露 11 月开始准备尝试些新的赛道，大的方向是科技+健康领域，具体还在筹备中，“迎接新的挑战，正是闯的年纪。”

京东将推出全年龄段人群 AI 玩具

1 月 8 日消息，据媒体报道，京东成立“变色龙业务部”，全面承接 JoyAI App、JoyInside、数字人等核心 AI 产品的打造与商业化。报道称，全新的第二批 AI 玩具已在筹备中，此次新品将推出面向全年龄段人群的 AI 玩具，将于 1 月中旬全面上线。

值得一提的是，在 2025 世界人工智能大会（WAIC）期间，京东正式宣布旗下大模型品牌升级为 JoyAI，以及京东在大模型方向的技术进展和 JoyAI 应用全景图，同时也发布了全新的附身智能品牌 JoyInside。据当时介绍，JoyAI 大模型拥有从 3B 到 750B 全尺寸模型家族，且通过动态分层蒸馏、跨领域数据治理等创新技术，大模型推理效率平均提升了 30%，训练成本降低 70%。

此外，谈到 JoyInside，截至 2025 年 7 月，已有众擎、云深处、商汤元萝卜、火火兔、Fuzozo 等数十家企业已正式接入，覆盖人形机器人、四足机器人、儿童玩具、AI 潮玩等多类载体。另据京东官方披露，截止 2025 年 12 月，已有超 4.5 万家品牌接入数字人服务，数字人直播成本约为真人直播的 1/10，平均转化率提升约 30%。在 2025 年“双 11”期间，采用数字人直播的商家数量同比增长近 6 倍，全年累计带动商品交易总额（GMV）达数百亿元。

蚂蚁美团联手投了一家 AI 硬件创企，前美团硬件负责人带队

1 月 5 日，北京 AI 硬件创企 Looki 正式完成超 2000 万美元（约合人民币 1.4 亿元）A 轮融资，本轮由蚂蚁集团领投，美团龙珠、华登国际、中关村资本跟投，老股东 BAI 资本连续两轮超额追投，阿尔法公社、同歌创投持续加码。在完成本轮融资后，Looki 计划加快人才建设、模型迭代、产品研发及供应链整合，围绕 AI 原生硬件推进下一代交互设备的探索。

Looki 成立于 2024 年 5 月，截至目前已连续完成 4 轮融资。该公司由两位卡内基梅隆大学（CMU）的校友联合创办，CEO 孙洋曾任美团智能硬件负责人、Momenta 高级研发总监，是 Google Assistant 早期创始成员之一。CTO 刘博聪曾任美团自动驾驶算法负责人、Pony.ai 创始成员。团队成员来自清华大学、北京大学、多伦多大学、伊利诺伊大学、伦敦政经等知名院校，曾就职于 Google、Amazon、Qualcomm、字节跳动等公司，在 AI 算法、AI 产品、硬件工程等方面具备丰富经验。

在 Looki 发布的一段产品介绍视频中，CEO 孙洋称，Luki L1 自去年 8 月上线以来，已被不少用户当作“记录生活节奏”的常用设备使用。Luki 还具备“主动 AI”能力，如根据饮食、坐姿时间、行为节奏提出健康建议，例如“你今天已经喝了两杯咖啡，要不要换成水？”或者“你已经在桌前坐了一小时，要不要走一走？”等。

智谱上市，唐杰内部信要求全面回归基础模型研究

1 月 8 日智谱上市当天，清华大学计算机系教授、智谱创立发起人兼首席科学家唐杰发布内部信，宣布很快将推出新一代模型 GLM-5。内部信还介绍了 2026 年智谱聚焦的三个技术方向，包括全新的模型架构设计，更通用的 RL（强化学习）范式以及对模型持续学习与自主进化的探索。它们均围绕基础模型能力提升展开。

上海又一 GPU“四小龙”上市！

继沐曦股份、壁仞科技之后，上海又一家 AI 芯片企业成功上市。1 月 8 日，上海芯片企业天数智芯登陆港交所，在 1 个月的时间内，上海已先后有“港股国产 GPU 第一股”的壁仞科技和科创板上市首日涨幅近 7 倍的沐曦股份，加上已完成 IPO 辅导冲刺科创板的燧原科技，上海 GPU“四小龙”齐聚资本市场。

媒体从上海市经信委获悉，2025 年 1-11 月，上海市集成电路产业营收规模 3912 亿元，同比增长 23.72%，2025 年全年产业规模预计超 4600 亿元，同比增长 24%，五年间产业规模翻了一番多，超额完成“十四五”发展目标。集聚超 1200 家集成电路企业，汇聚全国约 40%的产业人才、近 50%的产业创新资源。

天数智芯战略与公共关系部副总裁余雪松表示，作为国内首家开展通用 GPU 自主研发的企业，公司已完成从核心技术攻关到商业化落地的全链路贯通。“我们的研发团队有 480 人，平均拥有 20 年以上行业经验，超三分之一研发人员具备 10 年以上芯片设计与软件开发经验。包含架构、通用 GPU IP 及芯片设计、基础软件、软硬件协同等各领域的专家。”余雪松说。上海市经信委相关工作人员表示，除了上海 GPU 芯片“四小龙”（壁仞、沐曦、天数、燧原），光计算、近存计算等创新路线 AI 芯片企业也相继涌现，支撑国内大模型等新质生产力发展。

马斯克回应英伟达自动驾驶 AI 模型：特斯拉正在做，达到 99%很容易

1 月 6 日消息，在 2026 消费电子展（CES）上，英伟达宣布推出 Alpamayo 系列开放式 AI 模型、模拟工具和数据集，旨在解决自动驾驶安全挑战。对此，马斯克回应称：“好吧，这正是特斯拉在做的。他们会发现，达到 99%很容易，但要解决分布的长尾问题却非常困难。”

据悉，Alpamayo 平台的核心是 Alpamayo 1 模型，这是一款拥有 100 亿参数、基于思维链技术的视觉-语言-行动（VLA）模型。该模型可让自动驾驶汽车具备类人思维能力，即便在未经任何训练和标注的情况下，也能解决复杂的场景问题，例如在交通信号灯失灵的路口规划通行路线。

英伟达还强调，Alpamayo 模型并非直接在车内运行，而是作为大规模教师模型，供开发者微调并提取到其完整自动驾驶技术栈的骨干中。黄仁勋在声明中表示：“首款搭载英伟达技术的汽车将于第一季度在美国上路。”

硅谷科技初创公司兴起“脱鞋办公”潮

1 月 5 日消息，曾经靠海洋球滑梯、免费尼古丁袋等五花八门的福利留住员工的硅谷热门科技初创公司，如今又出新招——要求员工进门脱鞋。根据观察，在年轻人占主导的办公场所，“无鞋办公”政策正悄然兴起。雇主们认为，员工穿着毛绒袜、拖鞋踩在地毯上，能打造出更轻松无压的工作氛围。然而矛盾的是，这些公司中不少仍推行“996”工作制，要求员工从早 9 点工作到晚 9 点，每周连轴转 6 天。

斯坦福大学经济学家、职场文化专家尼克·布鲁姆表示，无鞋办公政策的流行，在一定程度上是“睡衣经济”的延伸——随着远程办公者被要求重返办公室，他们也把居家办公的习惯带到了办公室。但这一趋势也与硅谷高压的工作文化一脉相承。布鲁姆说：“如果你每天要在公司待 12 个小时，那不如直接穿拖鞋上班，毕竟在家也没机会穿。”

中国商务部回应 Meta 收购 Manus

1 月 8 日，就 Meta 收购人工智能平台 Manus 一事，中国商务部新闻发言人何亚东表示，中国政府一贯支持企业依法依规开展互利共赢的跨国经营与国际技术合作。何亚东在当日举行的例行新闻发布会上回应称，需要说明的是，企业从事对外投资、技术出口、数据出境、跨境并购等活动，须符合中国法律法规，履行法定程序。商务部将会同相关部门对此项收购与出口管制、技术进出口、对外投资等相关法律法规的一致性开展评估调查。

大模型一周大事

重磅发布

黄仁勋官宣英伟达已投产 Vera Rubin：训练 AI 速度是 Blackwell 架构 3.5 倍

在北京时间 1 月 6 日凌晨举办的 CES 2026 主题演讲中，英伟达首席执行官黄仁勋发表主题演讲，介绍了新一代“Rubin”计算架构，并将其定义为当前 AI 硬件领域的“最先进技术”，该架构已进入全面量产阶段。Rubin 架构以天文学家薇拉·鲁宾的名字命名，由六款协同工作的独立芯片组成。该系统的核心是 Rubin GPU，同时配备了专为“智能体推理”（Agentic Reasoning）设计的全新 Vera CPU。

在性能表现方面，Rubin 架构相较于前代产品实现了显著跨越。根据英伟达官方测试数据，Rubin 在 AI 模型训练任务上的运行速度是 Blackwell 架构的 3.5 倍；在推理任务中，其速度更是达到了前代的 5 倍，峰值运算能力高达 50 Petaflops。此外，新平台的能效表现同样优异，其每瓦推理算力提升了 8 倍。这一性能飞跃将为日益复杂的 AI 模型提供强大的算力支撑。

同时，黄仁勋也介绍并推出了全新的 Alpamayo 1，是其视觉-语言-动作模型（VLA），结合因果链推理与轨迹规划，主要增强复杂驾驶场景中的决策能力。

智元发布开源仿真平台 Genie Sim 3.0

智元机器人在 CES 国际消费电子展首日正式发布首个大语言模型驱动的开源仿真平台——Genie Sim 3.0。基于 NVIDIA Isaac Sim，Genie Sim 3.0 融合三维重建与视觉生成，打造数字孪生级的高保真环境；首创大语言模型驱动的场景泛化技术，让万级场景的生成只需几分钟；同步开源包含真实机器人作业场景的上万小时仿真数据集；并构建了覆盖 10 万+场景的多维度智能评估体系，为模型能力绘制全景画像。

OpenAI 推出 ChatGPT Health 模式，为“健康 / 医疗”类型对话设立专属空间

1 月 8 日消息，OpenAI 正式宣布推出 ChatGPT Health，该模式集成于 ChatGPT 中，号称是一个“专门用于与 ChatGPT 进行健康相关对话的独立空间”，预计将在未来几周内陆续向用户开放。OpenAI 称，目前平台每周有超过 2.3 亿人询问有关健康的问题，因此该公司推出了 ChatGPT Health 模式，旨在让用户更系统、更安全地讨论自身的健康问题。

据介绍，在 ChatGPT Health 模式下，系统会将用户的对话与其他普通聊天记录进行隔离，避免用户的健康背景在日常对话中被无意提及。如果用户在普通聊天中开始讨论健康问题，系统也会引导其切换到 Health 模式进行交流。同时，在 Health 模式下，AI 仍然可以参考用户在其他场景中的部分信息。ChatGPT Health 还将支持与个人信息及健康类应用的数据整合，包括 Apple Health（苹果健康）、Function 和 MyFitnessPal 等。OpenAI 强调，Health 模式中的对话内容不会被用于训练模型。

不过，ChatGPT 这样的“大模型”本质上是通过预测最可能的回答来生成内容，而不是基于对“真实与否”的判断，因此并不保证生成的医疗见解一定正确，OpenAI 也在其服务条款中明确指出，ChatGPT 仅供参考，不能够用于任何健康状况诊断 / 治疗。

雷鸟 CES 2026 推出全球首款 eSIM 功能 AR 智能眼镜 X3 Pro Project eSIM

1 月 8 日消息，雷鸟在 CES 2026 中正式推出了全球首款支持 eSIM 功能的 AR 智能眼镜 X3 Pro Project eSIM，但并未公布价格和上市时间。据介绍，该产品采用双目全彩光机，可获得“等效 43 英寸的 3D 空间视觉观感”，同时产品搭载高通骁龙 AR 1 计算平台，内置 RayNeo AR 应用虚拟机，支持微信、抖音、B 站等多款应用。此外，该产品搭载 eSIM 通信模块，使得 AR 眼镜首次真正具备脱离手机的能力，产品无需通过手机或 Wi-Fi，即可独立完成包括通话、实时 AI 对话、实时翻译、在线流媒体播放等功能。

摩尔线程正式发布开源大模型分布式训练仿真工具 SimuMax 的 1.1 版本

1 月 8 日，据摩尔线程消息，近日，摩尔线程正式发布开源大模型分布式训练仿真工具 SimuMax 的 1.1 版本。该版本在完整继承 v1.0 高精度仿真能力的基础上，实现了从单一工具到一体化全栈工作流平台的重要升级，为大模型训练的仿真与调优提供系统化支持。本次更新聚焦三大核心创新：用户友好的可视化配置界面、智能并行策略搜索，以及融合计算与通信效率建模的 System-Config 生成流水线。新版本同时提升了对主流训练框架 Megatron-LM 的兼容性，并增强了对混合并行训练中复杂通信行为的建模精度，使仿真环境更贴近真实生产场景。

企业应用

• 1 月 7 日，微创机器人依托神经元 MicroGenius 多模态自主手术大模型，成功完成了全球首例“大模型自主手术”动物实验。这一突破性成果不仅填补了全球大模型自主手术在体动物实验的技术空白，更推动全球 AI 产业在医疗领域的深度升级与跨界融合。

• 1 月 6 日，波士顿动力与谷歌 DeepMind 宣布建立新的人工智能合作伙伴关系，目标将 Gemini Robotics 人工智能基础模型与波士顿动力的新型 Atlas 人形机器人集成。

• 1 月 6 日，高通与谷歌宣布深化长达十年的汽车领域合作，双方将整合骁龙数字底盘解决方案与谷歌汽车软件及云服务能力，加速软件定义汽车落地，推动 AI 赋能的智能出行体验规模化普及。

• 1 月 5 日，腾讯 AI 工作台 ima.copilot 迎来更新：正式上线“生成 PPT”功能。用户只需进入“任务模式”，即可调用个人知识库中的素材，一键生成幻灯片。

• 1 月 5 日，智元机器人已与 MiniMax 达成合作，MiniMax 将为智元机器人提供文本到语音全流程 AI 技术支持。针对智元机器人的产品定位与功能特性，MiniMax 为其量身打造专属人设体系，优化用户与机器人的语音交互体验。同时，基于人设体系构建定制化提示词策略，为用户生成专属音色，实现千人千面的个性化音色合成，满足多样化语音交互需求。此外，MiniMax 还基于自研音乐生成模型，助力智元机器人拓展娱乐场景玩法。

作者 | 华卫

本文为《2025 年度盘点与趋势洞察》系列内容之一，由 InfoQ 技术编辑组策划。本系列覆盖大模型、Agent、具身智能、AI Native 开发范式、AI 工具链与开发、AI+ 传统行业等方向，通过长期跟踪、与业内专家深度访谈等方式，对重点领域进行关键技术进展、核心事件和产业趋势的洞察盘点。内容将在 InfoQ 媒体矩阵陆续放出，欢迎大家持续关注。

我们采访了真机智能董事长兼首席科学家刘智勇，听他讲述了视觉语言导航（VLN）技术的当前难题、具身智能领域在 2025 年的各类进展以及今年在能力边界上的两个突破方向和技术决胜点。他表示，一旦世界模型的因果推理能力取得突破，无论是机器人的安全性还是行为和推理的安全性问题，都能得到很好的解决。

“2026 年本体厂商肯定会收缩，估计中国最终只会剩下 5 到 8 家本体机器人公司。”他指出，核心是在某个单一场景实现盈利，不是毛利而是不依赖大量售后成本的净利。但单纯的整机销售并非很好的商业模式，如果只卖硬件，后续的售后压力会非常大，用户一次性付太多钱也承受不了。

下面是详细对话内容，以飨读者。

VLN 和世界模型上“大分”

Q：2025 年具身智能领域有哪些突破性进展让您印象深刻，包括技术、产业化和生态建设上？这些进展是否已经为具身智能从实验室走向特定场景的“初步普及”奠定了基础？

刘智勇：我印象比较深刻的是 VLN 方向的相关进展。过去我们主要是以 SLAM 为核心的技术路线，但从去年到现在，涌现出了大量基于视觉语言作为多模态输入的导航模型。这种视觉语言模型能解决零样本泛化的问题，我们不再需要预先构建地图了。把一个机器人放到任何全新的固定场景里，它都能实现零样本泛化，自主完成导航任务。另外，像 UniNavid、ETPNav、FSR - VLN 这些代表性工作，也让机器人门到门配送的实现出现了曙光和可能性。这就是从几何测量的导航范式，转变到学习增强的导航范式。当前的瓶颈在于未达极高的导航成功率。

从场景普及的角度来说，核心是我们不再需要预先建图了。这就意味着，把机器人放在任何新的位置上，它都能立刻开始工作，直接解锁了很多之前无法覆盖的场景。最关键的一点是，零样本能力等同于部署成本的大幅降低。部署成本降下来之后，整个成本结构就能适配场景化的盈利模式，这正是为场景普及奠定的核心基础。技术成熟后，前期的准备和部署工作会大幅减少，这也为未来的产业发展打下了很好的基础。

Q：具身智能的核心技术栈正在如何演变？2025 年这一年有哪些值得关注的新范式或共识？

刘智勇：从算法角度来看，核心变化是从之前感知、决策、执行分离的多模块化范式，逐渐转向 VLN 或 VLA 的端到端统一范式。从数据角度来说，发展方向是从单纯的真实数据采集，逐步转向合成数据、离线轨迹挖掘以及世界模型这些领域。训练范式也发生了改变，从强化学习调参慢慢转向世界模型驱动。现在世界模型算是行业内解决数据问题的一个共识，原因很简单，不管是在长程层面模拟预测未来状态、在底层层面预测动态物体轨迹，还是弥补数据的 corner case，世界模型都起到了不可或缺的作用。

Q：世界模型被寄予厚望，被认为是实现高级推理和规划的关键。现阶段来看，它对机器人实际能力的提升体现在何处？之后还有哪些方面的潜力？

刘智勇：现阶段来看，主要体现在三个方面。第一，机器人执行长程任务时容易陷入短视困境，而世界模型可以模拟未来的长程状态，对全局规划能力有非常重要的提升；第二，动态环境下静态地图容易失效，无法准确指引路径轨迹，世界模型能够预测动态物体的轨迹，让机器人的本地行动更安全；第三，世界模型能较好地生成相关数据，减少数据泛化鸿沟。我们认为，世界模型是 VLN 突破长程规划和动态适应瓶颈的充分非必要条件。但现在世界模型的主要问题是黑盒，而非白盒可微。

Q：大模型的快速发展，为具身智能的“智能”部分带来了哪些质变？

刘智勇：从我们的实践来看，最核心的变化是导航和路径规划的技术范式发生了转变。过去我们采用的是 SLAM 方案，现在则转向了 VLN 范式。过去的 SLAM 方案存在几个明显的局限，一是方案本身不具备语义理解能力，二是依赖静态地图，必须预先建图才能使用，三是需要对特定的传感器做专门标定。而 VLN 范式完全不同，它可以结合语言和视觉实现语义层面的理解，同时能应对非静态环境，实现动态适配。更关键的是，这个方案不再依赖高规格的激光雷达，也不需要预先部署地图，成本和效率都实现了大幅优化。大模型的快速发展，推动技术范式从几何测量的 SLAM 转向学习增强的 VLN，这正是带来质变的核心原因。行动、观测和语言本来属于三个空间，现在要把三个空间统一起来，这也是目前的核心难点。

大规模落地现在卡在哪儿？

Q：几乎所有专家都指出，高质量、大规模的物理交互数据稀缺是当前最大瓶颈。面对真实数据采集成本高昂的困境，仿真合成数据、人类视频数据等替代方案能走多远？“数据工厂”是可行的解决方案吗？

刘智勇：我们面临的主要数据瓶颈有两个，一是数据的场景覆盖不足，比如现在常用的数据集大多基于 Mate Port 3D、Habitat、AI2THOR 等 构建，只包含 固定的训练环境，场景覆盖肯定不够；二是做 VLN 的数据采集成本很高，有时需要 3D 数据采集，标注成本也比 2D 图像高出一个量级。对 VLN 来说，现在数据是完全不足的，既存在场景覆盖问题，又有成本高昂的问题。

目前，我们在采用多种数据解决方案。第一是采集真实数据，采集 RGBD 视频流，以及数字手套等，再结合人工标注指令，像 Atomic 和一些基准数据集的主要来源就是真机数据。第二是比较常见的用仿真器生成，比如借助模拟器搭载 3D 场景库，批量生成视觉语言轨迹三元组。第三是采用 新范式，不用额外改动 3D 环境，通过改写人类标注数据的方式生成新样本，这是一种静态片段生成的新范式。另外，未来还有一种发展方向是离线数据、离线轨迹挖掘的方式，有点类似实行微克隆。

Q：当前的硬件如灵巧手、关节驱动、传感器等，在哪些方面最能满足机器人的技术需求？又在哪些方面构成了发展的主要制约？

刘智勇：要讲满足技术需求的地方，我们可以和轮式机器人做个比较。之前的轮式机器人只能移动到楼下，没办法开单元门、摁电梯，只能在楼下送货或者在室内移动。而现在的灵巧手、一体化关节，再加上一些触觉传感器，能让机器人具备开门、按电梯的能力，这是轮式机器人到人形机器人的一个巨大转变。

不过目前硬件也存在几方面的制约。第一，我们还需要高分辨率的柔性触觉皮肤。因为机器人需要用机械灵巧手摁电梯，如果触觉不够灵敏，盲按的波动率大，成功率就会比较低。第二，门把手的种类太多了，如果机器人没有触觉反馈，根本没办法应对成千上万种门的情况，也很难实现场景泛化。再就是机器人要进行成千上万次的反复操作，电机、执行器、丝杠这些部件的脆弱性，可能在我们的应用场景中被放大 100 倍。所以从硬件角度来讲，目前主要的制约就是开门要做得好、触觉要做得好这两点。

Q：目前为止，制约具身智能大规模落地应用难题还有哪些？

刘智勇：对于我们的 VLN 技术来说，主要有两方面的难题。第一是感知决策的延迟问题，这甚至可能是致命的。简单来说，长程规划和行动频率的匹配很关键，如果感知和决策环节出现延迟，机器人在开放环境中运作就会遇到很多麻烦，这就要求必须在端侧做好部署。第二是硬件性能短板，既要让硬件能灵敏地感知外部世界，又要保证它能反复进行操作，而目前这类硬件的耐疲劳性、反脆弱性能还不够强。对于世界模型来说，核心瓶颈是隐式神经表征，而非显式 3D 高斯，可能在开门和按键上缺少精准几何信息。

具身智能该告别 “一锤子买卖”？

Q：面对这样的机遇与挑战，您们在接下来一年的战略重点和核心发力方向是什么？

刘智勇：真机智能其实分成了北京真机和苏州真机两个公司。北京真机关注的还是比较传统的 SLAM 加轮式机器人的技术栈和方案，苏州真机则聚焦于 VLN 加人形机器人的技术栈及方案。

苏州真机接下来有两个关注重点，第一是通过视觉语言导航的方式，实现无需额外提前部署的门到门配送。过去部署成本太高了，大概占了整个机器人售价成本的 38% 左右。我们希望能实现零样本泛化，换句话说，就是让机器人能够直接理解环境，直接完成导航任务。第二是全身运动控制，要解决的核心问题是开门。之前的控制是基于机器人静态的假设来实现的，哪怕是协作机器人也是保持自身不动去拉开门，这种方式需要的扭矩非常大。我们希望通过全身控制打破静态平衡的限制，依靠动态平衡的方法更泛化地解决开门的问题。

把这两个点结合起来，我们既能实现无需预先建图的门到门配送任务，同时又能解决开门和按电梯的任务。这两个方案结合之后，就可以实现最后五公里的门到门配送，既能开门、操作电梯，又能以无建图、无 GPS 的方式完成导航。室内本身没有 GPS 信号，但又需要实现导航，这时候视觉和语言理解的作用就非常关键了。

Q：除了直接销售机器人整机，具身智能未来的商业模式可能有哪些创新？

刘智勇：整机销售和租赁这两种方式都会存在。但我个人觉得，单纯的整机销售并不是很好的商业模式，更好的方式是 “整机销售 + 每年服务费” 的组合模式。如果只卖硬件，一次性卖完其实很亏，后续的售后压力会非常大。“整机销售 + 每年服务费” 就比较合理，既能保证长期的最大收益，又能解决售后问题，还能让设备商一次性回本。通过这种组合模式，能把原本不赚钱的 “卖铁生意”，变成能持续盈利的长期现金流生意。另一方面，用户一次性付太多钱确实承受不了。

除此之外，未来还可能出现按单收费的商业模式。比如人形配送机器人测算下来每单成本能控制在两到三元人民币，和达达这类上游公司合作，机器人完成一单就赚一笔费用。

本体厂商大收缩，要拼什么？

Q：到 2026 年，我们有望看到具身智能在能力边界上实现怎样的突破？整个具身智能领域的技术决胜点可能会是什么方面？

刘智勇：2026 年可能会有两个关键突破方向。第一是机器人在非结构化场景中实现稳定作业。要做到这一点，需要机器人具备一定的社交行为表现和自主导航能力。解决了之后，一些之前没想到的非结构化环境下的任务机器人也可能完成了。目前行业内大多还聚焦在结构化环境，所以这会是一个重要突破。第二是突破莫拉维克悖论（Moravec's Paradox）。以往大家觉得，机器能完成人类觉得难的事，但难以完成人类觉得简单的事，而 2026 年可能机器人也能胜任这类任务，会在人类觉得简单的事情上取得突破。

至于技术决胜点，我认为有几个关键因素，其中最重要的是世界模型的因果推理能力。一旦这项能力取得突破，无论是机器人的安全性还是行为和推理的安全性问题，都能得到很好的解决。

Q：2026 年，全球具身智能公司的竞争情况将如何变化？中国公司与国际巨头各自的优势和赛点分别会在哪里？

刘智勇：2026 年本体厂商肯定会收缩，马太效应会非常明显，估计中国最终只会剩下 5 到 8 家本体机器人公司。不过应用场景相关的公司和上游企业会多一些。

中国和国际企业的优势不一样，国际公司的大模型技术更先进，基础模型能力更强，国内企业还处在追赶状态，但中国企业拥有供应链成本优势。另外竞争维度也在升级，现在大家可能还在追求单点技术的先进性，到了 2026 年，整体系统的效率会变得更重要。

至于赛点，我觉得核心是在某个单一场景实现盈利，不是毛利而是不依赖大量售后成本的净利。谁能做到这一点，谁就能形成数据飞轮，有了数据之后，模型和方法能力会进一步提升，之后再推进跨场景复制。